BAB 3. METODE PENELITIAN
|
|
- Sugiarto Kusumo
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB 3 METODE PENELITIAN 31 Pemilihan Parameter Masukan JST Data pengujian kualitas surfaktan-mesa yang dimiliki SBRC IPB (009) terdiri atas tegangan permukaan, IFT, densitas, viskositas, ph, dan kandungan bahan aktif Pada Bagian 7 telah dibahas mengenai usaha-usaha merumuskan tegangan permukaan secara empirik berdasarkan densitas, viskositas, dan ph Penelitian ini akan merancang model empirik yang menghubungkan ketiga parameter tadi dengan tegangan permukaan JST akan berperan sebagai model yang mensubstitusi fungsi tegangan permukaan dari ketiga parameter tersebut σ,,ph JST diharapkan menjadi solusi bagi kerumitan memformulasikan persamaan analitik eksak yang menghubungkan densitas, viskositas, ph, dengan tegangan permukaan yang secara terpisah telah diketahui secara teoretik memiliki hubungan tidak linear (Bagian 7) Ketiga parameter di atas dapat diperoleh lewat pengukuran fisik Terdapat satu jenis data lagi yang dimiliki SBRC IPB, yaitu kandungan bahan aktif yang berasal dari prosedur titrasi kimia (Lampiran 8) Parameter ini tidak dipakai sebagai masukan sistem, karena JST diharapkan menjadi alternatif uji laboratorium, yaitu dengan menghindari prosedur yang kompleks dan biaya yang ditimbulkannya (misalnya biaya reaktan) Model yang sederhana akan lebih mudah diaplikasikan dalam waktu singkat dan dengan biaya rendah Penggunaan JST diarahkan untuk menjadi alternatif pengukuran cincin Du Noüy Secara umum, setelah sistem ini ada, density meter, viscometer, dan phmeter diharapkan dapat mensubstitusi penggunaan Du Noüy ring pada spesifikasi pengukuran tertentu Jika ketiga paramater masukan tersebut dibandingkan dengan penelitian serupa yang dilakukan Kumar et al (005), maka sistem ini berbeda dalam hal tidak diperlukannya acuan database konstanta parachor (Bagian 7) dan tidak digunakannya indeks refraktif Selain itu viskositas dan ph
2 6 juga menjadi masukan sistem yang sebelumnya tidak digunakan pada penelitian tersebut 3 Hubungan Empirik Masukan dan Keluaran Terdapat dua ulangan sulfonasi untuk menghasilkan masing-masing sepuluh sampel surfaktan-mesa Data yang ditampilkan Tabel merupakan rataan dari kedua ulangan percobaan tersebut Tabel tersebut memperlihatkan pula nilai tegangan permukaan masing-masing ulangan sebelum dirata-rata Tabel Sepuluh pasang data ρ, η, dan ph beserta tegangan permukaan dari dua ulangan percobaan (i) dan (ii) beserta rataannya ρ η ph σ (dyne cm -1 ) (g cm -3 ) (cp) (i) (ii) rataan 0,94 30,00 3,33 43,65 43,70 43,68 0,97 65,63 3,1 38,30 38,80 38,55 0,991 88,75,98 41,70 41,60 41,65 0,996 10,50 3,00 39,85 41,50 40,68 0,984 86,5 3,01 43,55 40,5 41,90 0,981 75,00 3,08 45,50 4,30 43,90 0,971 60,00 3,08 45,00 43,65 44,33 0,980 75,63 3,01 43,70 4,3 4,96 0,984 85,00 3,01 41,00 41,00 41,00 0, ,00 3,00 40,00 4,80 41,40 Pemilihan parameter berdasarkan referensi teoretik perlu dibandingkan dengan kenyataan empirik Adanya prediksi tegangan permukaan dalam penelitian terpisah untuk densitas, viskositas, dan ph (Bagian 7), dapat menjadi dasar untuk mencoba menarik hubungan antara masing-masing variabel masukan dengan tegangan permukaan secara terpisah Ketidaklinearan dapat dilihat dengan mudah lewat deskripsi grafik
3 33 Perancangan Jaringan Saraf Tiruan 7 Merujuk pada hasil-hasil riset sebelumnya (Bagian 9) pada bidang yang masih berdekatan dengan surfaktan (Baroutian et al 008; Kumar & Bansal 007; Ramadhas et al 006), JST lapis banyak dengan teknik propagasi balik akan digunakan untuk masalah prediksi tegangan permukaan (Gambar 9) Saat penelitian Baroutian et al (008) dilakukan, jumlah 7 neuron dalam lapisan tersembunyi yang diperoleh adalah dari proses trial and error yang dilakukan dengan terorganisasi Yaitu, memulai dari neuron, lakukan pelatihan dan pengujian baru kemudian menambah lagi menjadi 3, 4, dst Pada setiap penambahan dilihat apakah hasilnya membaik atau tidak Penelitian ini akan menggunakan metode yang sama untuk menentukan jumlah neuron pada lapisan tersembunyi densitas viskositas σ ph ρ,η,ph f σ Gambar 9 Arsitektur JST untuk prediksi σ,,ph
4 8 IW 1,1 1 b 1 w 1,1 f a1 w 1,1 w 1, p 1 w,1 w 1, 1 b ρ w,1 p w, w S,1 w S, 1 b S f a η w, w 7, w 7,1 p R w S,R (a) f a S ph w 7,3 (b) Gambar 10 Detil representasi bobot sebagai elemen matriks IW dengan indeks baris-kolomnya (a) dan contoh belahan muka JST prediksi σ dengan tujuh neuron lapisan tersembunyi (b) LW,1 a 1 a 1 a w S,1 1 b S a w 1,1 w S, f w 1, σ a S w S,S (a) a 7 w 1,7 (b) Gambar 11 Detil representasi bobot sebagai elemen matriks LW dengan indeks baris-kolomnya (a) dan contoh belahan belakang JST prediksi σ dengan tujuh neuron lapisan tersembunyi (b) Gambar 10 dan Gambar 11 memperlihatkan tingkat detil yang lebih dalam untuk JST prediksi tegangan permukaan yang secara ringkas diperlihatkan Gambar 9 dengan sekaligus memvisualisasikan operasi matriks yang
5 9 merepresentasikan JST tersebut Seri gambar tersebut juga memperlihatkan contoh indeks bobot pada arsitektur tujuh neuron pada lapisan tersembunyi Jumlah neuron inilah yang akan diperbandingkan untuk seleksi arsitektur JST yang telah disebutkan sebelumnya Mengenai representasi matriks yang dipakai untuk operasi-operasi pembentukan JST diperlihatkan operasi feed forward berikut ini Dengan bobot masukan, bias, dan masukan JST kasus tujuh neuron lapisan tersembunyi berikut,,,,,,,,,, dan,,,, feed forward dari lapisan masukan ke lapisan tersembunyi adalah, dengan a 1 yang di feed forward lagi ke lapisan keluaran oleh bobot dan bias berikut,,,,,,,, menjadikan keluaran tegangan permukaan sebagai,, 34 Pengkodean Keluaran dan Masukan Fungsi aktivasi yang digunakan adalah yang bertipe sigmoid, yaitu Selain turunannya yang mudah, yaitu f ' ( x) = f ( x)(1 f ( x )) (untuk digunakan saat propagasi balik), sifat kontinyunya sesuai untuk pengkodean data keluaran, yaitu nilai-nilai tegangan permukaan Tabel memperlihatkan sepuluh pasangan data yang berasal dari sepuluh sampel surfaktan-mesa dengan jarak sulfonasi sepuluh menit, yaitu mulai menit ke-10 hingga menit ke-100
6 30 Keseluruhan sampel tersebut diukur tegangan permukaannya dalam konsentrasi 1% Mengingat range numerik masukan yang berbeda-beda antara densitas, viskositas, dan ph, nilai-nilai ini terlebih dahulu dinormalisasi dengan masingmasing masukan dioperasikan terhadap rataan dan standar deviasinya, sehingga diperoleh sepuluh nilai baru yang rataannya nol dan nilai ragamnya satu Contohnya, untuk densitas dilakukan dengan adalah standar deviasi dan adalah rataan kolom densitas Tabel Untuk pengkodean nilai target JST, tegangan permukaan (Tabel ) dibagi dengan konstanta 45, sehingga target masih berada dalam selang keluaran sigmoid [0,1] Pengkodean masukan maupun target tadi reversible, sehingga nilai masukan maupun hasil prediksi dapat dikembalikan ke satuan aslinya 35 Validasi 5-fold Dari sepuluh pasang data yang dimiliki dilakukan kombinasi pelatihanpengujian sebanyak lima fold Secara bergantian tiap fold yang terdiri atas dua pasangan data menjadi vektor validasi dalam pengujiandengan begitu pada tiap fold komposisi datanya adalah 80% data pelatihan dan 0% data pengujian Ini dilakukan mulai dari arsitektur JST dengan neuron pada hidden layer, kemudian 3,4, dst Generalisasi prediksi σ,,ph oleh JST tersebut akan bersandar pada hipotesis berikut: 1 Terdapat 5 JST yang berbeda-beda untuk arsitektur yang terpilih Prediksi divalidasi 5-fold data pengujian yang tak terlibat pelatihan, artinya JST independen terhadap data-data ini dalam hal penyesuaian bobot 36 Kriteria Pemberhentian Pelatihan Terdapat sejumlah kriteria pemberhentian pelatihan Propagasi balik Levenberg-Marquardt akan berhenti pada salah satu kondisi berikut
7 31 1 epoch maksimum tercapai gradien kinerja pelatihan jatuh di bawah konstanta yang ditetapkan (Gambar 1) Kinerja pelatihan (learning) maupun validasi (generalization) menggunakan ukuran MSE yaitu rataan dari error prediksi kuadrat Kinerja membaik ditandai oleh MSE yang turun MSE Epoch Gambar 1 Pelatihan berhenti pada epoch ke-11 setelah gradien kinerja turun di bawah gradien minimum 1 x Kondisi ke-3 bisa ditambahkan bagi dua kriteria pemberhentian di atas, yaitu: 3 stop pelatihan jika kinerja validasi (generalisasi) mengalami penurunan atau tak berubah selama n epoch berturut-turut Dengan menetapkan konstanta z, penghentian tersebut terjadi pada n = z +1 sejak tidak ada perbaikan kinerja Ilustrasi Tabel 3 memperlihatkan MSE validasi yang tidak mengalami perbaikan saat epoch ke-4 berlanjut dengan epoch ke-5 Dengan menetapkan z = 5, pelatihan kemudian berhenti pada epoch n = = 10
8 3 Tabel 3 Berhentinya pelatihan pada epoch ke-10 akibat tidak adanya perbaikan MSE validasi sejak epoch ke-5 epoch MSE validasi 0,468 0,4013 0,018 0,0089 0,0089 epoch MSE validasi 0,0089 0,0089 0,0089 0,0089 0, Selang Keluaran sebagai Kriteria Pemberhentian Jika pelatihan dengan tiga kondisi di atas dijalankan dengan data yang ada, generalisasi biasanya lebih dominan menghentikan pelatihan Jika z = 5, maka pelatihan berhenti pada epoch ke enam, relatif sejak perbaikan kinerja validasi masih terjadi atau memang tepat enam epoch berjalan tanpa perbaikan kinerja Solusi memperpanjang pelatihan adalah dengan menetapkan z yang lebih besar Ini tidak dipilih, sebagai gantinya alternatif yang diusulkan adalah selang keluaran sebagai goal tambahan Prinsipnya adalah dengan memberi skor keluaran JST sebagai true (goal tercapai) sepanjang masih jatuh di dalam selang yang telah ditentukan Lebih jelasnya skor true, jika dan false jika keluaran jatuh di luar selang (goal tidak tercapai) Usulan selang keluaran di atas adalah berdasarkan data asli itu sendiri, target prediksi adalah rataan dari dua ulangan percobaan (Tabel ) yang memiliki selisih Dengan menetapkan suatu selang tetap seperti diimposisikan di atas pada Gambar 13, penelitian ini mengusulkan semacam selang tolerasi kesalahan prediksi Alih-alih menetapkan konstanta z yang lebih besar, skor dijadikan kriteria pemberhentian yang ke-4, kemudian digunakan lagi sebagai kriteria untuk memilih arsitektur JST
9 33 Tegangan permukaan (dyne/cm) δ δ 9 Sampel ke-i Gambar 13 Contoh selisih tegangan permukaan antara dua ulangan ( ) diimposisi konstanta 371 Selang Keluaran dari Batas Atas Selang Kepercayaan Dari sampel selisih,,, dengan rataan dan ragam Parameter rataan untuk populasi selisih pengukuran tegangan permukaan dapat diestimasi oleh selang kepercayaan (Soong 004) berikut,, 1 Pada kasus pengukuran dalam Tabel, selang kepercayaan 95% untuk selisih dua pengukuran tersebut memberikan 0,514,370 95% Jika batas atas selang,370 dipilih, maka selang keluaran yang digunakan untuk memberi skor menjadi 1,185 1,185 Substitusi pasangan data pertama Tabel sebagai contoh memberikan 4,49 0,94; 30; 3,33 44,86 Akan terdapat sepuluh selang semacam itu untuk penentuan skor prediksi Pelatihan akan diteruskan apabila kriteria pemberhentian ini belum dipenuhi, yaitu
10 34 apabila prediksi fold yang divalidasi masih berada di luar selang tersebut Jika epoch loop tidak menghasilkan perbaikan skor, maka salah satu dari tiga kriteria pemberhentian sebelumnyalah yang akan menghentikan pelatihan 37 Selang Keluaran dari Rataan dan Standar Deviasi Selang alternatif yang juga digunakan adalah yang diperoleh dari penjumlahan rataan selisih pengukuran tegangan permukaan dengan standar deviasinya Ide dasarnya berasal dari konsep error yang terdiri atas estimator dan bias, dengan menganalogikan sebagai estimator dan sebagai bias Dari sampel selisih,,, pengukuran tegangan permukaan Tabel, penjumlahan rataan dan standar deviasi di atas menjadi,740 Apabila dibandingkan dengan selang yang diperoleh Bagian 371, diperoleh selang yang lebih lebar untuk untuk pasangan data pertama Tabel sebagai 4,31 0,94; 30; 3,33 45,4
BAB 1. PENDAHULUAN 1.1. Latar Belakang
BAB 1. PENDAHULUAN 1.1. Latar Belakang Kondisi data banyak (ribuan hingga ratusan) tidaklah selalu tersedia dalam aplikasi nyata jaringan saraf tiruan (JST). Silvert dan Baptist (1998) mencontohkan bidang
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 terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB 2 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 terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciBAB 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 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 terperinciBAB IV PERANCANGAN DAN PEMBAHASAN
4.1 Data Yang Digunakan BAB IV PERANCANGAN DAN PEMBAHASAN Secara umum, gambaran data yang penulis peroleh dapat dilihat pada lampiran. Data tersebut adalah data hasil proses logging disajikan dalam bentuk
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih 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 terperinciBAB VIIB BACKPROPAGATION dan CONTOH
BAB VIIB BACKPROPAGATION dan CONTOH 7B. Standar Backpropagation (BP) Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan
Lebih terperinciNEURAL NETWORK BAB II
BAB II II. Teori Dasar II.1 Konsep Jaringan Saraf Tiruan (Artificial Neural Network) Secara biologis jaringan saraf terdiri dari neuron-neuron yang saling berhubungan. Neuron merupakan unit struktural
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 3 Contoh data Shorea hasil kodefikasi
8 disajikan contoh data Shorea hasil kodefikasi dari beberapa karakter yang bernilai nominal. Tabel 2 Karakter daun yang bernilai nominal Karakter Nilai Kode Bentuk tulang Tidak menempel 1 daun Permukaan
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 terperinciPERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA STACK HASIL KELUARAN HRSG (HEAT RECOVERY STEAM GENERATOR) DENGAN METODE JARINGAN SYARAF TIRUAN
PERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA STACK HASIL KELUARAN HRSG (HEAT RECOVERY STEAM GENERATOR) DENGAN METODE JARINGAN SYARAF TIRUAN Oleh : Hera Firdhausa Katili 2409100073 Dosen Pembimbing : Dr.
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih 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 terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur
Lebih terperinciKONSEP TIRUAN BOGOR 20100
KONSEP STATISTIKA SEBAGA AI KRITERIA PEMBERHENTIAN PELATIHAN JARINGAN SARAF TIRUAN UNTUK MENGATASI KETERBATASAN DATA (Studi Kasus padaa Prediksii Tegangan Permukaan Surfaktan-MESA dari Minyak Kelapa Sawit)
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih 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 terperinciIV HASIL DAN PEMBAHASAN
tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciBAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.
33 BAB 4 DISAIN MODEL Disain model sistem identifikasi citra karang dirancang sedemikian rupa dengan tuuan untuk memudahkan dalam pengolahan data dan pembuatan aplikasi serta memudahkan pengguna dalam
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih 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 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 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciBAB 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 terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciBAB IV. RANCANG BANGUN MODEL PENELITIAN
BAB IV. RANCANG BANGUN MODEL PENELITIAN Bab ini membahas rancang bangun model dari sistem penunjang keputusan cerdas untuk sistem rantai pasokan beras di provinsi DKI Jakarta. Rancang bangun model dari
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Multiple Attribute Decision Making (MADM) Multiple Attribute Decision Making (MADM) adalah studi tentang identifikasi dan pemilihan alternatif berdasarkan nilai-nilai dan preferensi
Lebih terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1. 1 Latar Belakang Jaringan saraf buatan merupakan kumpulan dari elemen-elemen pemrosesan buatan yang disebut neuron. Sebuah neuron akan mempunyai banyak nilai masukan yang berasal dari
Lebih terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih 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 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 terperinciBAB 4 PENGUJIAN DAN ANALISIS SISTEM
BAB 4 PENGUJIAN DAN ANALISIS SISTEM Bab ini akan membahas mengenai proses pengujian dari sistem yang dirancang terhadap beberapa citra dijital replika kulit. Pengujian terhadap sistem ini dilakukan untuk
Lebih terperinci4.1. Pengumpulan data Gambar 4.1. Contoh Peng b untuk Mean imputation
4.1. Pengumpulan data Data trafik jaringan yang diunduh dari http://www.cacti.mipa.uns.ac.id:90 dapat diklasifikasikan berdasar download rata-rata, download maksimum, download minimum, upload rata-rata,
Lebih 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 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 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 terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciBAB 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciBAB IV PERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK
BAB IV PERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK Bab ini menjelaskan perancangan dan implementasi yang dilakukan. Tahap pertama dimulai dengan merancang beberapa classifier yaitu jaringan saraf tiruan
Lebih terperinciPERANCANGAN ALGORITMA KRIPTOGRAFI KUNCI SIMETRI DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN
PERANCANGAN ALGORITMA KRIPTOGRAFI KUNCI SIMETRI DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Ibrahim Arief NIM : 13503038 Program Studi Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung
Lebih terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih 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 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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB 2 HEMISPHERIC STRUCTURE OF HIDDEN LAYER NEURAL NETWORK, PCA, DAN JENIS NOISE Hemispheric structure of hidden layer neural network
BAB 2 HEMISPHERIC STRUCTURE OF HIDDEN LAYER NEURAL NETWORK, PCA, DAN JENIS NOISE Bab ini akan menjelaskan tentang Hemispheric Structure Of Hidden Layer Neural Network (HSHL-NN), Principal Component Analysis
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 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 terperinciBAB III METODE PENELITIAN. Pemotong an Suara. Convert. .mp3 to.wav Audacity. Audacity. Gambar 3.1 Blok Diagram Penelitian
BAB III METODE PENELITIAN 3.1 Model Penelitian Penelitian yang dilakukan dapat dijelaskan melalui blok diagram seperti yang terlihat pada Gambar 3.1. Suara Burung Burung Kacer Burung Kenari Pengambil an
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
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. paling parah dan paling lama tingkat pemulihannya akibat krisis keuangan
BAB I PENDAHULUAN 1.1 Latar Belakang Krisis keuangan yang terjadi di Asia pada pertengahan tahun 1997 diawali di Thailand dan merembet ke berbagai negara di Asia lainnya seperti di Indonesia, Malaysia,
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
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 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 terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih terperinciBAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH
BAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu data saham Astra Internasional Tbk tanggal 2 Januari
Lebih 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 terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
Lebih terperinciPENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK
PENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK Eko Budi Wahyono*), Suzuki Syofian**) *) Teknik Elektro, **) Teknik Informatika - Fakultas Teknik Abstrak Pada era modern
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 terperinciPOSITRON, Vol. V, No. 1 (2015), Hal ISSN :
POSITRON, Vol. V, No. (5), Hal. - 5 ISSN : -97 Prediksi Ketinggian Gelombang Laut Perairan Laut Jawa Bagian Barat Sebelah Utara Jakarta dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Prada Wellyantama
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN 1.1 Latar belakang Hujan merupakan salah satu unsur iklim yang berpengaruh pada suatu daerah aliran sungai (DAS). Pengaruh langsung yang dapat diketahui yaitu potensi sumber daya air. Besar
Lebih terperinciMATERI DAN METODE. Cara Pengambilan Data
MATERI DAN METODE Lokasi dan Waktu Penelitian ini dilaksanakan di Laboratorium Lapang Bagian Ilmu Produksi Ternak Perah, Fakultas Peternakan Institut Pertanian Bogor. Penelitian dilaksanakan selama dua
Lebih 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 terperinciIV. HASIL DAN PEMBAHASAN A.
IV. HASIL DAN PEMBAHASAN A. Persiapan Data Untuk Analisis Jaringan Syaraf Tahapan pertama sebelum merancang model jaringan syaraf tiruan adalah menyiapkan data. Secara garis besar tahapan-tahapan dalam
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 terperinciTINJAUAN PUSTAKA ,...(1)
3 TINJAUAN PUSTAKA Dalam bab ini akan dibahas teori-teori yang mendasari penelitian ini. Dimulai dari teori dan konsep citra digital, deteksi pola lingkaran dengan Circle Hough Transform (CHT), ekstrasi
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciBAB 2 HEMISPHERIC STRUCTURE OF HIDDEN LAYER DAN IMPLEMENTASI DENGAN INFORMASI SUDUT YANG DIKETAHUI
BAB 2 HEMISPHERIC STRUCTURE OF HIDDEN LAYER DAN IMPLEMENTASI DENGAN INFORMASI SUDUT YANG DIKETAHUI Pada Bab ini akan dijelaskan mengenai struktur Jaringan Syaraf Tiruan Hemispheric Structure of Hidden
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Pelaksanaan penelitian ini, memerlukan banyak hal yang harus
BAB III METODOLOGI PENELITIAN III.1 Diagram Alur (Flowchart) Pelaksanaan penelitian ini, memerlukan banyak hal yang harus diperhatikan sebagai persiapan dalam melakukan penelitian. Tujuannya agar memperkecil
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2. Jaringan Saraf Tiruan Jaringan saraf tiruan (JST) pertama kali diperkenankan oleh McCulloch dan Walter Pitts pada tahun 943. Jaringan saraf tiruan merupakan suatu sistem pemrosesan
Lebih terperinciEstimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan
Estimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan Andi Ihwan 1), Yudha Arman 1) dan Iis Solehati 1) 1) Prodi Fisika FMIPA UNTAN Abstrak Fluktuasi suhu udara berdasarkan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Suara Manusia Menurut Inung Wijayanto (2013), produksi suara manusia memerlukan tiga elemen, yaitu sumber daya, sumber suara dan pemodifikasi suara. Ini adalah dasar dari teori
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (Artificial Neural Network) Intelligent Systems Pembahasan Jaringan McCulloch-Pitts Jaringan Hebb Perceptron Jaringan McCulloch-Pitts Model JST Pertama Diperkenalkan oleh McCulloch
Lebih terperinciMETODOLOGI PENELITIAN
18 METODOLOGI PENELITIAN Kerangka Penelitian Sistem pengenalan roda kendaraan pada penelitian ini tampak pada Gambar 10, secara garis besar dapat dibagi menjadi dua tahapan utama yaitu, tahapan pelatihan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. menggunakan teknik statistik, matematika, kecerdasan buatan, tiruan dan machinelearning
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data mining adalah kombinasi secara logis antara pengetahuan data, dan analisa statistik yang dikembangkan dalam pengetahuan bisnis atau suatu proses yang menggunakan
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI LAJU INFLASI DI KABUPATEN KLATEN NASKAH PUBLIKASI
IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI LAJU INFLASI DI KABUPATEN KLATEN NASKAH PUBLIKASI diajukan oleh Kurniawati Handayani 09.11.3278 kepada SEKOLAH TINGGI MANAJEMEN
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR Sofi Dwi Purwanto Teknik Informatika Universitas Islam Negeri Maulana Malik
Lebih terperinciMetode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat
Prosiding Semirata FMIPA Universitas Lampung, 2013 Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat Andi Ihwan Prodi Fisika FMIPA Untan, Pontianak
Lebih terperinci