PREDIKSI PENGGUNAAN BANDWIDTH PENS_ITS MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION
|
|
- Fanny Budiono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PREDIKSI PENGGUNAAN BANDWIDTH PENS_ITS MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION Imam Shabri, Mike Yuliana, Zaqiatud Darojah Jurusan Telekomunkasi - Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus PENS-ITS, Keputih, Sukolilo, Surabaya. Telp : ; Fax imamshabri@gmail.com Abstrak Peramalan merupakan alat yang penting dalam perencanaan yang efektif dan efisien karena peramalan diperlukan untuk menetapkan kapan suatu peristiwa akan terjadi atau timbul sehingga tindakan yang tepat dapat dilakukan. Selama ini banyak peramalan dilakukan secara intuitif dengan menggunakan metode-metode statistik.salah satunya di bidang Artificial Intellegence. Dengan menggunakan teknologi di bidang Artificial Intellegence yaitu teknologi jaringan syaraf tiruan maka identifikasi pola data dari sistem peramalan bandwidth dapat dilakukan dengan metode pendekatan pembelajaran atau pelatihan. Berdasarkan kemampuan belajar yang dimilikinya, maka jaringan syaraf tiruan dapat dilatih untuk mempelajari dan menganalisa pola data masa lalu dan berusaha mencari suatu formula atau fungsi yang akan menghubungkan pola data masa lalu dengan keluaran yang diinginkan. Pada tugas akhir ini, maka dibuat suatu prediksi penggunaan bandwidth PENS-ITS menggunakan jaringan syaraf tiruan dengan algoritma backpropagation agar penggunaan bandwith kedepannya lebih efisien baik dalam dalam tingkat penyewaan bandwidth ataupun dalam penggunaan bandwidth. Dari hasil pengujian, didapatkan bahwa untuk data bandwidth berdasarkan jumlah trafik yang dalam hal ini proxy1_401 didapatkan bahwa unit input 3, unit hidden 10 dengan data yang dipilih (T-1,T-2,T-3) menghasilkan MSE terkecil yaitu 7.60E-5 dengan korelasi yang didapat sebesar 99,66%. Waktu yang ditempuh dalam peramalan selama 16 detik. Sehingga parameter input, hidden, dan data yang dipilih pada server Proxy1_401 menggunakan arsitektur model peramalan unit input 3, unit hidden 10 dengan data yang dipilih (T-1,T-2,T-3). Sedangkan utuk data bandwidth berdasarkan jumlah client yang dalam hal ini Mesin mini didapatkan bahwa unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T-3) menghasilkan MSE terkecil yaitu 9.80E-5 dengan korelasi yang didapat sebesar 99%. Waktu yang ditempuh dalam peramalan selama 12 detik. Sehingga parameter input, hidden, dan data yang dipilih pada server Mesin mini menggunakan arsitektur model peramalan unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T-3). Kata kunci : Artificial Intellegence, bandwidth, backpropagation, forecast 1. PENDAHULUAN 1.1. Latar Belakang Bandwidth merupakan ukuran jumlah data yang dapat melakukan perjalanan lebih dari satu sistem komunikasi yang dialokasikan dalam rentang waktu atau disebut juga sebagai kecepatan data. Bandwidth juga memiliki arti bahwa semakin besar bandwidth bisa menghasilkan komunikasi yang lebih cepat. PENS memiliki beberapa server antara lain proxy1, proxy2, proxy3, kebo, dosen jaga, newfs, student dan www. Pada masing-masing server diberi bandwidth dengan jumlah tertentu. Dalam pemberian limited maksimal bandwidth harus dengan kualitas yang baik. Apabila pemberian bandwidth lebih besar dari porsi yang sebenarnya, maka akan timbul persoalan pemborosan bandwidth pada masing-masing server tersebut. Sedangkan apabila pemberian bandwidth lebih rendah dari porsi sebenarnya maka pengaksesan bagi konsumen menjadi lebih lambat yang akibatnya merugikan pihak konsumen. Oleh karena itu diperlukan penyesuaian antara pemberian dengan kebutuhan. Syarat mutlak yang pertama harus dilaksanakan untuk mencapai tujuan itu adalah mengetahui kebutuhan bandwidth dimasa depan. Karena itu prakiraan bandwidth jangka pendek, menengah dan panjang merupakan tugas yang penting dalam perencanaan dan pengoperasian sistem bandwidth. Dengam melihat permasalahan diatas, maka perlu adanya aplikasi yang dapat memprediksikan penggunaan bandwidth PENS- ITS menggunakan jaringan syaraf tiruan dengan algoritma backpropagation dimana kemampuan belajar yang dimilikinya dapat dilatih untuk mempelajari dan menganalisa pola data masa lalu dan berusaha mencari suatu formula atau fungsi yang akan menghubungkan pola data masa lalu dengan keluaran yang diinginkan pada saat ini Tujuan Tujuan dari proyek akhir ini adalah melakukan peramalan penggunaan bandwidth 1
2 PENS-ITS dengan menggunakan jaringan syaraf tiruan berbasis algoritma backpropagation BATASAN MASALAH Batasan masalah yang harus diselesaikan pada proyek akhir ini adalah : 1. Bahasa pemrograman yang digunakan adalah bahasa pemrograman java. 2. Peramalan bandwidth menggunakan jaringan syaraf tiruan dengan algoritma backpropagation. 3. Data yang digunakan adalah data yang berdasarkan jumlah user dan data trafik. Untuk data user menggunakan server proxy1_401, proxy1_411, proxy2, proxy3, kebo, dosen jaga, newfs, student dan www. Untuk data trafik menggunakan server proxy1, proxy2, proxy3 dan mesin mini. 4. Menggunakan database berbasis MySQL yang digunakan untuk menyimpan data jumlah user dan data trafik. 5. Parameter yang digunakan dalam peramalan yaitu untuk unit input menggunakan 3,4,5. Untuk unit hidden menggunakan 2,5,10. Untuk iterasi maksimum yaitu Dan Untuk toleransi error yaitu Data yang dipilih dalam 3 unit input adalah (T-1, T-2, T-3), (T-1, T-2, T-7), (T-1, T-7, T-14). Data yang dipilih dalam 4 unit input adalah (T-1, T-2, T-3, T-4), (T-1, T-2, T-7, T-14), (T-1, T-7, T-14, T-21). Dan untuk data yang dipilih dalam 5 unit input adalah (T-1, T-2, T-3, T-4, T-5), (T-1, T-2, T-7, T- 14, T-21), (T-1, T-7, T-14, T-21, T-28). 2. DASAR TEORI 2.1. Peramalan Seiring dengan senjang waktu antara kesadaran akan peristiwa atau kebutuhan mendatang dengan peristiwa itu sendiri, adanya waktu tenggang ini merupakan alasan utama bagi perencanaan dan peramalan. Jika waktu tenggang ini panjang dan akhir peristiwa tergantung pada faktor yang dapat diketahui, maka perencanaan dapat memegang peranan penting. Perencanaan merupakan kebutuhan yang besar, karena waaktu tenggang untuk mengambil keputusan dapat berkisar dibeberapa tahun (untuk kasus penanaman modal) sampai beberapa hari atau bahkan beberapa jam (untuk menjadwalkan produksi dan transportasi), peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien. Beberapa jenis peramalan yang telah dikenal yaitu causal dan time series. Peramalan masih digunakan hingga saat ini. Rizki (2007) telah melakukan penelitian the application of artificial neural network to forecast stock price : backpropagation approach. Penelitian lainnya yaitu Kumar dan Nanhay (2009) telah melakukan penelitian short term load forecasting using artificial neural network : a comparison with genetic algorithm implementation. Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien. Peramalan dapat membantu untuk mengurangi ketidakpastian dalam melakukan perencanaan. Oleh karena itu peramalan memegang peranan penting dalam perencanaan dan pengambilan keputusan diberbagai bidang. 2.2 Algoritma Pelatihan Jaringan Syaraf Tiruan Backpropagation Algoritma pelatihan pada jaringan syaraf tiruan backpropagation adalah sebagai berikut kusumadewi (2003) : Langkah 0 : Inisialisasi nilai bobot (diatur pada nilai acak yang kecil). Langkah 1 : Selama kondisi berhenti masih tidak terpenuhi, lakukan langkah 2-9. Langkah 2 : Untuk setiap pasangan pelatihan, lakukan langkah 3-8. Perambatan maju (Feedforward) : Langkah 3 : Tiap unit masukan (, i=1,,n) menerima sinyal masukan dan menyebarkan sinyal itu ke semua unit pada lapisan di atasnya (lapisan tersembunyi). Langkah 4 : Setiap unit lapisan tersembunyi (, j=1,,p) dihitung nilai masukan dengan menggunakan nilai bobotnya : (1) = bias pada unit tersembunyi j, kemudian dihitung nilai keluaran dengan menggunakan fungsi aktivasi yang dipilih : (2) Hasil fungsi tersebut dikirim ke semua unit pada lapisan di atasnya (unitkeluaran). Langkah 5 : Tiap unit keluaran (, k=1,..,m) dihitung nilai masukan dengan menggunakan nilai bobotnya : (3) = bias pada unit keluaran k, kemudian dihitung nilai keluaran dengan menggunakan fungsi aktivasinya : (4) 2
3 Perambatan balik (Backpropagation) : Langkah 6 : Tiap unit keluaran (, k=1,..,m) menerima pola target yang berhubungandengan pola masukan pelatihan, dan kemudian dihitung kesalahaninformasinya : (5) Kemudian dihitung koreksi nilai bobotnya yang kemudian akan digunakan untuk memperbaharui nilai bobot : (6) Hitung koreksi nilai biasnya yang kemudian akan digunakan untuk memperbaharui nilai : (7) dan kemudian nilai dikirim ke unit pada lapisan di bawahnya. Langkah 7 : Setiap unit lapisan tersembunyi (, j=1,,p) dihitung perubahan masukanyang dari unit-unit pada lapisan di atasnya : (8) Kemudian nilai tersebut dikalikan dengan nilai turunan dari fungsi aktivasinya untuk menghitung informasi kesalahannya : (9) Hitung koreksi nilai bobot yang kemudian digunakan untuk memperbaharuinilai : (10) dan hitung nilai koreksi bias yang kemudian digunakan untuk memperbaharui : Langkah 9 : Menguji apakah kondisi berhenti sudah terpenuhi. Jika kondisi berhentitelah terpenuhi, pelatihan jaringan dapat dihentikan. Untuk menentukankondisi berhenti terdapat dua cara yang biasa dipakai, yaitu : a. Pertama, dengan membatasi iterasi yang ingin dilakukan. b. Kedua, dengan membatasi error. Pada metode Backpropagation, dipakai metode Mean Square Error untuk menghitung rata-rata error antara output yang dikehendaki pada training data dengan output yang dihasilkan oleh jaringan. Cara memeriksa kondisi berhenti dengan MeanSquare Error adalah sebagai berikut : Mean Square Error : (14) 3. PERANCANGAN DAN IMPLEMENTASI SISTEM 3.1. Perancangan sistem Pada perancangan sistem akan dibahas mengenai sistem peramalan yang akan dibangun. Perancangan sistem berdasarkan pada data trafik dan jumlah client yang telah diolah sehingga menjadi suatu peramalan bandwidth yang menggunakan jaringan syaraf tiruan dengan menggunakan metode backpropagation. Untuk menyelesaikan peramalan ini, maka dilakukan perancangan sistem yang akan dibuat. Hal ini dapat dilihat pada ilustrasi alur sistem pada Gambar 1di bawah ini. Gambar 1. Alur Sistem Agar sistem dapat bekerja sesuai dengan yang diharapkan, dibutuhkan perencanaan yang akan dibahas sebagai berikut. (11) Memperbaharui nilai bobot dan bias : Langkah 8 : Tiap unit (, k=1,,m) keluaran diperbaharui nilai bias dan bobotnya(j=0,,p): (12) dan pada tiap unit lapisan tersembunyi (, j = 1,,p) diperbaharui bias dan bobotnya (i = 1,,n) : (13) Gambar 2. Blok Diagram Sistem 3
4 Berdasarkan blok diagram Gambar 2 diatas, pengolahan data trafik ini diolah sedemikian rupa berdasarkan teori jaringan syaraf tiruan dengan metode backpropagation sehingga menghasilkan output peramalan yang akurat. Kemudian data output tersebut dimasukkan pada komputer server dan admin mengetahui hasil peramalan sesuai dengan waktu yang diinginkan ketika client mengakses internet pada server tersebut Perancangan Perangkat Keras dan Perangkat Lunak Perencanaan perangkat keras yang dibutuhkan dalam sistem ini adalah : Seperangkat komputer dan printer akan saling terkoneksi. Komputer akan melakukan peramalan dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Komputer akan melakukan pengenalan kegiatan berbasis data masa lalu. Data masa lalu akan dipelajari oleh komputer sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari. Data peramalan akan ditampilkan berupa grafik dan dapat dicetak oleh printer. Selain perencanaan perangkat keras, ada juga perencanaan perangkat lunak yang dibutuhkan dalam sistem ini Rancang bangun sistem ini diimplementasikan pada PC. Adapun perangkat lunak yang dibutuhkan dalam sistem ini, adalah: 1. Netbeans Netbeans merupakan software yang digunakan sebagai penerapan dari pemrograman java yang digunakan. Dengan menggunakan netbeans ini dapat mempermudah dalam pembuatan aplikasi tampilan GUI. 2. Database MySQL Database ini digunakan untuk mengakses data dari sebuah database relasional SQL yang telah dibuat. Pada tugas akhir ini, database MySQL yang telah dibuat akan dipanggil oleh bahasa pemrograman java, sebagai program utama. 3. JFreechart dan Jcommon JFreechart merupakan library yang akan digunakan untuk membuat grafik, namun dikarenakan adanya denpendency dengan JCommon maka diperlukan kedua library tersebut. 4. ireport dan jasper Untuk membuat koneksi dari java ke printer diperlukan sebuah tool tambahan yaitu ireport dan jasper report Pembuatan dan Pengujian Perangkat Keras dan Perangkat Lunak. Dari hasil perancangan dilakukan realisasi / pembuatan perangkat lunak. Dan diadakan pengukuran atau pengujian masing-masing bagian dari perangkat lunak tersebut sebelum dilakukan integrasi Integrasi Pengujian Sistem Dari hasil perancangan dilakukan realisasi / pembuatan perangkat lunak dan diadakan pengujian masing-masing bagian dari perangkat lunak tersebut sebelum dilakukan integrasi. Sistem yang sudah dibangun, terintegrasi dan unjuk kerjanya bisa dijadikan sistem peramalan bandwidth berdasarkan jumlah trafik dan jumlah client. Analisa hasil simulasi meliputi analisa software dengan kerja sistem yang telah dikembangkan. Proses pengujian yang dilakukan pada pembuatan sistem ini meliputi: 1. Keberhasilan registrasi 2. Keberhasilan sistem peramalan menggunakan backpropagation : Penentuan Parameter Learning Rate (α) Pembentukan Model Peramalan Validasi model menggunakan data testing Peramalan data bandwidth 3. Keberhasilan koneksi server ke printer 4. Waktu Eksekusi : Lama registrasi Lama sistem peramalan. 4. ANALISA DAN HASIL PENGUJIAN 4.1. Pengujian Peramalan Berdasarkan Jumlah User Mesin Mini Pada pengujian berdasarkan pada server mesin mini memperlihatkan bahwa unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T-3) menghasilkan MSE terkecil yaitu 9.80E-5 dengan korelasi yang didapat sebesar 99%. Waktu yang ditempuh dalam peramalan selama 12 detik. Sehingga parameter input, hidden dan data yang dipilih pada server Mesin Mini menggunakan arsitektur model peramalan unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T- 3). sampai lima hari ke depan. Hasil ramalan untuk periode yang akan datang pada server Mesin Mini dapat dilihat pada Tabel 1 berikut ini : 4
5 Tabel 1. Data Ramalan Mesin Mini 23 Januari Januari Januari Januari Januari Proxy1 Pada pengujian berdasarkan pada server Proxy1 memperlihatkan bahwa unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T- 7) menghasilkan MSE terkecil yaitu dengan korelasi yang didapat sebesar 96.0 %. Waktu yang ditempuh dalam peramalan selama 1 menit 50 detik. Sehingga parameter input, hidden, dan data yang dipilih pada server Proxy1 menggunakan arsitektur model peramalan unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T-7). sampai lima hari ke depan. Hasil ramalan untuk periode yang akan datang pada server Proxy1 dapat dilihat pada Tabel 2 berikut ini : Tabel 2. Data Ramalan Proxy1 23 Januari Januari Januari Januari Januari Proxy2 Pada pengujian berdasarkan pada server Proxy2 memperlihatkan bahwa unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T- 7) menghasilkan MSE terkecil yaitu dengan korelasi yang didapat sebesar 97.0 %. Waktu yang ditempuh dalam peramalan selama 98 detik. Sehingga parameter input, hidden, dan data yang dipilih pada server Proxy2 menggunakan arsitektur model peramalan unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T-7). sampai lima hari ke depan. Hasil ramalan untuk periode yang akan datang pada server Proxy2 dapat dilihat pada Tabel 3 berikut ini : Tabel 3. Data Ramalan Proxy2 23 Januari Januari Januari Januari Januari Pengujian Peramalan Berdasarkan Jumlah Trafik Proxy1_401 Pada penujian berdasarkan jumlah trafik pada server proxy1_401 memperlihatkan bahwa unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T-3) menghasilkan MSE terkecil yaitu 7.609E-5 dengan korelasi yang didapat sebesar 99,66%. Waktu yang ditempuh dalam peramalan selama 16 detik. Sehingga parameter input, hidden, dan data yang dipilih pada server Proxy1_401 menggunakan arsitektur model peramalan unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T-3). sampai lima hari ke depan seperti yang terlihat pada Tabel 4 berikut ini : Tabel 4. Data Ramalan Proxy1_ Januari Januari Januari Januari Januari Proxy1_411 Pada penujian berdasarkan jumlah trafik pada server proxy1_411 memperlihatkan bahwa unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T-3) menghasilkan MSE terkecil yaitu dengan korelasi yang didapat sebesar 94 %. Waktu yang ditempuh dalam peramalan selama 180 detik. Sehingga parameter input, hidden, dan data yang dipilih pada server Proxy1_411 menggunakan arsitektur model peramalan unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T-3). sampai lima hari ke depan seperti yang terlihat pada Tabel 5 berikut ini : 5
6 Tabel 5. Data Ramalan Proxy1_ Januari Januari Januari Januari Januari Proxy2 Pada penujian berdasarkan jumlah trafik pada server proxy2 memperlihatkan bahwa unit input 4, unit hidden 10 dengan data yang dipilih (T-1, T-7, T-14, T-21) menghasilkan MSE terkecil yaitu 8.37E-5 dengan korelasi yang didapat sebesar 100 %. Waktu yang ditempuh dalam peramalan selama 6 detik. Sehingga parameter input, hidden, dan data yang dipilih pada server Proxy2 menggunakan arsitektur model peramalan unit input 4, unit hidden 10 dengan data yang dipilih (T-1, T-7, T-14, T-21). Untuk peramalan data bandwidth merupakan tahap untuk mengetahui data bandwidth pada masa yang akan datang. Pada Tugas Akhir ini akan ditampilkan hasil ramalan dari Tugas Akhir sampai lima hari ke depan. Hasil ramalan untuk periode yang akan datang pada server Proxy2 dapat dilihat pada Tabel 6 berikut ini : Tabel 6. Data Ramalan Proxy2 23 Januari Januari Januari Januari Januari Perbandingan Korelasi dalam satu server (Mesin Mini) Tabel 7. Korelasi dalam server Mesin Mini No. Korelasi 1. 90% 2. 94% 3. 86% 4. 85% 5. 93% Terlihat pada Tabel 7 bahwasanya meskipun data awal bobot dan bias random, tidak mempengaruhi hasil korelasi yang didapat. Sehingga parameter yang telah ditentukan dapat digunakan dalam peramalan. 5. KESIMPULAN Setelah melakukan pengujian dan analisa pada sistem peramalan Bandwidth di PENS-ITS berdasarkan jumlah client dan jumlah trafik, didapatkan beberapa kesimpulan yaitu: Dari hasil peramalan bandwidth berdasarkan jumlah user tepatnya untuk server Mesin Mini didapatkan perhitungan terbaik dengan jumlah MSE 9.80E-5 dengan korelasi yang didapatkan 99%. Waktu yang ditempuh yaitu 12 detik sehingga Mesin Mini menggunakan arsitektur model peramalan unit input 3 dengan pemilihan data (T-1, T-2, T-3) dan hidden layer 10. Dari hasil peramalan bandwidth berdasarkan jumlah trafik tepatnya untuk server Proxy1_401 didapatkan perhitungan terbaik dengan jumlah MSE 7.609E-5 dengan korelasi yang didapat 99,66%. Waktu yang ditempuh dalam peramalan selama 16 detik sehingga Proxy1_401 menggunakan arsitektur model peramalan unit input 3 dengan pemilihan data (T-1, T-2, T-3) dan hidden layer DAFTAR PUSTAKA [1] Kiki, Sri Kusumadewi Analisis Jaringan Syaraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi, Skripsi Universitas Islam Indonesia, Yogyakarta. [2] Susanti, Linda Aqnes Desi Peramalan Harga Saham Menggunakan Recurrent Neural Network Dengan Algoritma Backpropagation Through Time (BPTT), Tugas Akhir PENS-ITS, [3] Rasyid, Harun Al Peramalan Time Series Harga Saham Multikriteria Menggunakan Multilayer Preceptron Neural Network Bakcpropagation Dengan Exponential Learning Rate, Tugas Akhir PENS-ITS, 2009 [4] Galang Jiwo Syeto, Arna Fariza, S.Kom, M.Kom, Setiawardhana, S.T Peramalan Beban Listrik Menggunakan Jaringan Saraftiruan Metode Kohonen, Makalah Proyek Akhir PENS-ITS, [5] Anugerah PSW, Perbandingan Jaringan Syaraf Tiruan Backpropagation Dan Metode Deret Berkala Box-Jenkins (Arima) Sebagai Metode Peramalan Curah Hujan. SKRIPSI UNNES, [6] Fahmi, Yasin Peramalan Nilai Harga Saham Menggunakan Jaringan Syaraf Tiruan Dan Algoritma Genetik, Tugas Akhir Universitas Islam Indonesia Yogyakarta [7] Sari, Dinar Atika. Peramalan Kebutuhan Beban Jangka Pendek Menggunakan Jaringan Syaraf Tiruan Backpropagation, Tugas Akhir Universitas Diponegoro. 6
PERAMALAN BEBAN LISTRIK MENGGUNAK AN JARINGAN SARAF TIRUAN METODE KOHONEN ABSTRAK
PERAMALAN BEBAN LISTRIK MENGGUNAK AN JARINGAN SARAF TIRUAN METODE KOHONEN Galang Jiwo Syeto, Arna Fariza, S.Kom, M.Kom, Setiawardhana, S.T Program DIV Jurusan Teknik Informatika Politeknik Elektronika
Lebih 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 terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih 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 terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih 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 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 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 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 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 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 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 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 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 terperinciRancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika
1 Rancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika Annisti Nurul Fajriyah Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya
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 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 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 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 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 terperinciPERAMALAN CUACA KOTA SURABAYA TAHUN 2011 MENGUNAKAN METODE MOVING AVERAGE DAN KLASIFIKASI NAIVE BAYES
PERAMALAN CUACA KOTA SURABAYA TAHUN 2011 MENGUNAKAN METODE MOVING AVERAGE DAN KLASIFIKASI NAIVE BAYES Mohammad Aminudin Jurusan Teknik Informatika, Entin Martiana K. Politeknik Elektronika Negeri Surabaya
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciAplikasi Jaringan Saraf Tiruan Sebagai Penterjemah Karakter Braille Ke Bentuk Abjad
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Aplikasi Jaringan Saraf Tiruan Sebagai Penterjemah
Lebih 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 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 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 terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-31
JURNAL SAINS DAN SENI ITS Vol 4, No2, (2015) 2337-3520 (2301-928X Print) A-31 Perbandingan Performansi Metode Peramalan Fuzzy Time Series yang Dimodifikasi dan Jaringan Syaraf Tiruan Backpropagation (Studi
Lebih terperinciBAB 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 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 terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pasar valuta asing telah mengalami perkembangan yang tak terduga selama beberapa dekade terakhir, dunia bergerak ke konsep "desa global" dan telah menjadi salah satu pasar
Lebih terperinciBAB 1 PENDAHULUAN. 1 Universitas Kristen Maranatha. Gambar 1.1 : Ilustrasi jaringan syaraf manusia yang diadaptasi untuk ANN (Kriesel, 2011)
BAB 1 PENDAHULUAN 1.1 Latar Belakang Rentannya kesalahan yang dapat terjadi oleh pekerjaan yang dilakukan oleh manusia dalam menganalisa, atau ketika mencoba membangun relasi antar fitur yang berjumlah
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 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 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 terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih 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 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 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 terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih 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 terperinciSISTEM INFORMASI PENERBANGAN (AIRLINES) BERBASIS BREW DAN BROADCAST SMS
SISTEM INFORMASI PENERBANGAN (AIRLINES) BERBASIS BREW DAN BROADCAST SMS Wida Ekiyanti Putri, Mike Yuliana, EkoAdi Setiawan Mahasiswa Politeknik Elektronika Negeri Surabaya, Jurusan Teknik Telekomunikasi
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 terperinciAPLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI
APLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI Putri Khatami Rizki 1), Muchlisin Arief 2), Priadhana Edi Kresnha 3) 1), 2), 3) Teknik Informatika Fakultas
Lebih 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 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 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 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 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 terperinciPRISMA FISIKA, Vol. III, No. 3 (2015), Hal ISSN :
PRISMA FISIKA, Vol. III, No. (05), Hal. 79-86 ISSN : 7-80 Pemodelan Kebutuhan Daya Listrik Di Pt. PLN (Persero) Area Pontianak dengan Menggunakan Metode Gauss-Newton Mei Sari Soleha ), Joko Sampurno *),
Lebih terperinciPREDIKSI LUASAN LUMPUR DENGAN TIME SERIES MENGGUNAKAN SIMULATED ANNEALING
PREDIKSI LUASAN LUMPUR DENGAN TIME SERIES MENGGUNAKAN SIMULATED ANNEALING ASHAFIDZ FAUZAN DIANTA POLITEKNIK ELEKTRONIKA NEGERI SURABAYA INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2010 ABSTRAK Bencana
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka berpikir Perubahan nilai tukar rupiah terhadap mata uang asing tidak dapat dihindari. Untuk mengatasi perubahan yang tidak pasti ini diperlukan suatu prediksi.
Lebih terperinciPEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA)
PEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA) Salmawaty Tansa 1, Bambang Panji Asmara 2 Fakultas Teknik, Jurusan Teknik Elektro,
Lebih 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 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 terperinciSISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN
SISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN Ahyuna 1), Komang Aryasa 2) 1), 2) Jurusan Teknik Informatika, STMIK Dipanegara Makassar 3) Jl. Perintis
Lebih terperinciPERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP)
PERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP) Apriliyah, Wayan Firdaus Mahmudy, Agus Wahyu Widodo Program Studi Ilmu Komputer Fakultas MIPA Universitas
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 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 terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciBAB 1 PENDAHULUAN. 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
Lebih terperinciPERANCANGAN 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
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 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 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 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 terperinciWAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 2, November 2007, 53 64 WAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES Daryono Budi Utomo Jurusan Matematika FMIPA Institut Teknologi
Lebih terperinciGambar 3.1 Desain Penelitian
METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Permalan Time Series, Harga Minyak Bumi, Jaringan Syaraf Tiruan, Backpropagation Pengumpulan Data Harga Minyak Bumi di Indonesia Perancangan
Lebih 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkebunan di Negara kita sangat berperan penting baik dibidang ekonomi maupun sosial karena dapat menghasilkan devisa yang cukup besar. Pembangunan ekonomi jangka
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 terperinci2.1. Dasar Teori Bandwidth Regression
2.1. Dasar Teori 2.1.1. Bandwidth Bandwidth adalah ukuran kapasitas dari sistem transmisi (Comer, 2004) Bandwidth adalah konsep pengukuran yang sangat penting dalam jaringan, tetapi konsep ini memiliki
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
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 terperinciArsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah memin
BACK PROPAGATION Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output yang dihasilkan
Lebih terperinciModel Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 1 Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama
Lebih terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih 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 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 terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Analisis merupakan proses penguraian konsep ke dalam bagian-bagian yang lebih sederhana, sehingga struktur logisnya menjadi jelas. Metode untuk menguji, menilai, dan
Lebih terperinciBAB III METODE PENELITIAN. Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu
BAB III METODE PENELITIAN 3.1 Pengumpulan Data Beban Listrik dari PLN Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu selama lima tahun pada periode 2006-2010, selanjutnya data
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 terperinciJurnal Elektro ELTEK Vol. 2, No. 1, April 2011 ISSN:
Perbandingan Penggunaan Metode Radial Basis Function Network () Dari Metode Fuzzy Neural Netwotk () Dalam Memperkirakan Beban Jangka Pendek di GI. Gondang Wetan Pasuruan Rory Asrial, Almizan Abdullah,
Lebih terperinciBAB 1 PENDAHULUAN. saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Cepatnya perubahan fluktuasi harga index saham membuat para pemegang saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung. Saham yang mempunyai
Lebih terperinciPERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA
PERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA Budho Setyonugroho 1), Adhistya Erna Permanasari 2), Sri Suning Kusumawardani
Lebih terperinciMakalah Seminar Tugas Akhir
Makalah Seminar Tugas Akhir PERAMALAN KETINGGIAN MUKA AIR DENGAN JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK Herry Dharma Setyawan *, Budi Setiyono **, R. Rizal Isnanto ** Jurusan Teknik Elektro, Fakultas
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 terperinciBAB 1 PENDAHULUAN. semakin bertambah ketatnya persaingan dalam bidang perdagangan. Setiap usaha
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring dengan terus berkembangnya sektor industri yang juga mengakibatkan semakin bertambah ketatnya persaingan dalam bidang perdagangan. Setiap usaha dituntut untuk
Lebih terperinciBAB III METODE PENELITIAN
3.1. Kerangka Pemikiran BAB III METODE PENELITIAN Permasalahan yang akan dijawab atau tujuan yang ingin dicapai pada penelitian ini adalah untuk melakukan prakiraan beban listrik jangka pendek atau untuk
Lebih terperinciUKDW BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Memprediksi situasi dalam suatu bisnis perdagangan merupakan suatu aspek yang sangat penting untuk menjaga dan memajukan bisnis tersebut. Informasi naik-turunnya
Lebih terperinciPENGGUNAAN JARINGAN SYARAF TIRUAN DENGAN METODE BACKPROPAGATION DALAM MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN (IHSG)
PENGGUNAAN JARINGAN SYARAF TIRUAN DENGAN METODE BACKPROPAGATION DALAM MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN (IHSG) Oleh: Wisnu HendroMartono, Dian Hartanti Teknik Informatika STT-PLN ABSTRAK Peramalan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciVISUALISASI PENJUALAN DAN LOKASI PENJUALAN MENGGUNAKAN GOOGLE MAP SERTA PROYEKSI PERMINTAAN FLEXY DAN MODEM DI MASA MENDATANG (STUDI KASUS: PT
VISUALISASI PENJUALAN DAN LOKASI PENJUALAN MENGGUNAKAN GOOGLE MAP SERTA PROYEKSI PERMINTAAN FLEXY DAN MODEM DI MASA MENDATANG (STUDI KASUS: PT. TELKOM INDONESIA) Rully A Hendrawan, Catra Aldino, Erma Suryani
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 terperinciREMINDER PREDIKSI HARGA SAHAM PERUSAHAAN PADA BURSA EFEK VIA SMS DAN IVR
REMINDER PREDIKSI HARGA SAHAM PERUSAHAAN PADA BURSA EFEK VIA SMS DAN IVR Bagus Prayogo Dwi B.S. 1, Prima Kristalina 2, Ronny Susetyoko 2 1 Mahasiswa Politeknik Elektronika Negeri Surabaya, Jurusan Teknik
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 terperinciDIAGNOSA GANGGUAN SALURAN PERNAFASAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
DIAGNOSA GANGGUAN SALURAN PERNAFASAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Bambang Yuwono 1), Heru Cahya Rustamaji 2), Usamah Dani 3) 1,2,3) Jurusan Teknik Informatika UPN "Veteran" Yogyakarta
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
Lebih terperinci