OPTIMASI PROSES ELECTRICAL DISCHARGE MACHINING SINGKING MATERIAL AISI 4340 MENGUNAKAN BACK PROPAGATION ARTIFICIAL NEURAL NETWORK GENETIC ALGORITHM
|
|
- Johan Susanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 OPTIMASI PROSES ELECTRICAL DISCHARGE MACHINING SINGKING MATERIAL AISI 4340 MENGUNAKAN BACK PROPAGATION ARTIFICIAL NEURAL NETWORK GENETIC ALGORITHM Robert Napitupulu 1), Yuriko Adeputra 2), Otto Purnawarman 2) 1 Jurusan Teknik Mesin, Politeknik Manufaktur Negeri Bangka Belitung, Kawasan Industri Air Kantung, Sungailiat, Jurusan Teknik Mesin, Politeknik Manufaktur Negeri Bandung, Jl.Kanayakan No.21 Dago, Bandung, rnapitupulu77@gmail.com Abstract High material removal rate (MRR) and low surface roughness are targets, which want to be reached by manufacturing process using EDM sinking. The slowest MRR will give good surface roughness. However, it makes process get slower and increase production cost. To solve this problem, the setting of process parameter, which gives maximum MRR and minimum surface roughness, is required. An experiment in EDM sinking has been done using AISI 4340 and copper electrodes. Process parameters such as pulse current, on time, off time and gap voltage are varied. In addition, the L 18 (2 1 x3 3 ) orthogonal array was applied because one of process parameters has two levels while the others have three levels. In this experiment, two replications were conducted to deal with the uncertainty. Based on the experiment results, back propagation artificial neural network (BPANN) was developed. Then, the process parameter setting, which gives the maximum MRR and the minimum surface roughness, was determined by genetic algorithm (GA). It was shown in this research that the smallest MSE of BPANN was 0, , which was reached using , i.e., 4 inputs, 2 hidden layers with 8 neurons in each hidden layer, and 2 outputs. It was used logsig as activation function and trainlm as training type in the BPANN. By applying BPANN above, the parameters setting, which gives the maximum combination of MRR and the minimum surface roughness simultaneously is 12 Ampere of pulse current, on time 53 µs, off time 10 µs and gap voltage 9 V. Moreover, the MRR and surface roughness results are 1,709 mm3/min and 3,42 µm. Keywords: BPANN, genetic algorithm (GA), MRR, surface roughness. Abstrak Material removal rate (MRR) yang tinggi dan kekasaran permukaan yang rendah merupakan sasaran yang ingin dicapai pada proses pengerjaan benda kerja dengan menggunakan EDM (electrical discharge machining) sinking. MRR yang selambat mungkin, akan menghasilkan kekasaran permukaan yang baik. Tetapi proses yang lambat akan berpengaruh terhadap waktu pengerjaan produk, serta akan meningkatkan biaya produksi. Untuk mengatasi hal tersebut, maka diperlukan seting parameter proses yang menghasilkan MRR yang maksimal dan kekasaran permukaan benda kerja yang minimal. Suatu penelitian dilakukan dengan menggunakan baja AISI 4340 dan elektroda tembaga (copper) pada proses EDM sinking. Parameter-parameter proses yang akan divariasikan adalah pulse current, on time, off time dan gap voltage. Rancangan percobaan yang digunakan adalah matriks ortogonal L 18 (2 1 x3 3 ), karena ada satu parameter proses yang memiliki dua level dan ada tiga parameter proses yang memiliki tiga level. Pengulangan dilakukan sebanyak dua kali. Data hasil penelitian akan dipilih untuk dijadikan sebagai data input dalam pengembangan Back Propagation Artificial Neural Network (BPANN). Selanjutnya, optimasi karakteristik multi respon dilakukan dengan menggunakan metode Genetic Algorithm (GA). Hasil penelitian menunjukkan bahwa MSE terkecil sebesar 0, dari arsitektur jaringan BPANN yang terdiri dari 4 input, 2 buah hidden layer dengan 8 buah neuron pada masing-masing hidden layer, dan 2 buah output. Fungsi PROSIDING Vol. 01, Tahun 2016 ISSN:
2 aktivasinya adalah logsig dan jenis training adalah trainlm. Seting kombinasi parameter yang signifikan untuk meningkatkan MRR dan meminimumkan kekasaran permukaan secara serentak adalah pulse current 12 Ampere, on time 53 µs, off time 10 µs dan gap voltage 9 V. MRR terbesar dan kekasaran permukaan terkecil adalah sebesar 1,709 mm3/min dan 3,42 µm. Kata Kunci: ANN, genetic algorithm (GA), kekasaran permukaan, MRR. PENDAHULUAN Kemajuan teknologi di bidang industri telah berkembang dengan pesatnya. Seiring dengan perkembangan tersebut, untuk memenuhi kebutuhan akan produk yang berkualitas serta memiliki profil dan struktur yang kompleks dengan kepresisian tinggi, memerlukan peningkatan efektifitas dan efisiensi dalam proses manufaktur. Tuntutan terhadap kualitas, seperti misalnya kekasaran permukaan, ketelitian, serta kepresisian geometri, menjadi kendala tersendiri pada proses pemesinan. Untuk mendapatkan kualitas yang diinginkan, kombinasi parameter proses harus ditentukan dengan tepat. Penentuan kombinasi parameter dalam pembuatan produk-produk dengan beberapa target karakteristik kualitas cukup sulit dilakukan, karena kompleksitas yang dimiliki dan harus mengandalkan sejumlah besar rangkaian percobaan. Selain tuntutan terhadap kualitas produk, tuntutan terhadap penggunaan material yang mempunyai kekuatan tinggi juga menjadi perhatian. Oleh karena itu, proses pemesinan non-konvensional dibutuhkan untuk mengatasi kendala-kendala tersebut. Proses pemesinan nonkonvensional yang banyak digunakan adalah electrical discharge machining (EDM). Proses ini telah digunakan secara efektif pada pemesinan material yang keras, benda kerja yang memiliki bentuk-bentuk yang kompleks. Baja AISI 4340 merupakan salah satu jenis baja yang mempunyai konduktifitas tinggi, memiliki ketahanan yang tinggi terhadap keausan, dan memiliki stabilitas yang tinggi dalam pengerasan. Baja ini banyak digunakan untuk pembuatan produk mould dan dies. Proses pemesinan EDM sinking menjadi pilihan yang tepat ketika pembuatan benda kerja dengan proses pemesinan konvensional sulit dilakukan. Jaringan syaraf tiruan (JST) atau artificial neuron network (ANN) adalah sistem pemrosesan informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi (Jong, 2009). Penelitian yang membahas mengenai penggunaan ANN, khususnya dalam bidang prediksi pada proses EDM, telah beberapa kali dilakukan. Paramater current (A), pulse on time (T on ) dan pulse off time (T off ) telah dibuktikan berpengaruh terhadap MRR dan tool wear, pada penelitian pemodelan EDM dengan menggunakan back propagation neural network (BPNN) dan optimasi multi objek menggunakan genetic algorithm II (Mandal dkk, 2007). Hasil penelitian tersebut menunjukkan bahwa model arsitektur ANN yang paling baik memiliki struktur jaringan , learning rate dan momentum coefficient 0,6, maximum prediction error 9,47 %, minimum prediction error 0,0137 % dan mean prediction error 3,06 %. Penelitian tentang ANN menggunakan parameter pulse on time (T on ), pulse off time (T off ), sparking frequency (F s ) dan gap current (I gap ) telah dibuktikan berhasil memprediksi MRR, pada baja ukuran 17x12x4 cm dengan menggunakan elektroda tembaga (copper) berdiameter 20 mm, dengan menggunakan pendingin BP200 hydrocarbon sebagai cairan dielektrik (Yahya dkk, 2011). Hasil penelitian menunjukkan bahwa model ANN telah berhasil memprediksi MRR dengan akurasi yang sangat tinggi dengan menggunakan arsitektur ANN yang memiliki satu lapisan tersembunyi dengan empat input dan satu output dengan error prediction yang rendah. PROSIDING Vol. 01, Tahun 2016 ISSN:
3 Berdasarkan evaluasi dari penelitian-penelitian yang ada, hasil dari peramalan dengan menggunakan metoda ANN dapat mendekati hasil dari percobaan. Hasil tersebut dapat mewakili hasil percobaan yang sesungguhnya dengan tingkat kesalahan yang kecil. Peramalan tersebut dapat menghemat waktu dan biaya penelitian serta hasilnya bisa dioptimasi. METODE PENELITIAN Pada penelitian ini dilakukan penerapan BPANN dalam memprediksi MRR dan kekasaran permukaan baja AISI 4340 pada proses EDM sinking. Parameter proses yang digunakan adalah pulse current, on time, off time, dan gap voltage. Rancangan percobaan yang digunakan adalah matriks ortogonal L 18 (2 1 x3 3 ), karena ada satu parameter proses yang memiliki satu level dan ada tiga parameter proses yang memiliki tiga level. Pengulangan dilakukan sebanyak dua kali. Data hasil penelitian akan dipilih untuk dijadikan sebagai data input dalam pengembangan BPANN. Parameter yang divariasikan dalam pemodelan BPANN adalah jumlah neuron, jumlah hidden layer, fungsi aktivasi dan fungsi training. Respon yang diamati adalah Mean Square Error (MSE) dengan nilai MSE yang sangat kecil. HASIL DAN PEMBAHASAN A. Bahan yang digunakan Material yang digunakan adalah baja AISI 4340 dengan diameter 25 mm, tebal 12 mm. Elektroda yang digunakan adalah tembaga dengan dimensi 15 x 15 mm. Bentuk dan dimensi dari benda kerja dan elektroda yang digunakan (Gambar 1). Mesin EDM yang digunakan pada penelitian ini adalah Dong Yang, model CH 300 A (Gambar 2). Peralatan ukur yang digunakan adalah neraca digital explorer EX6202 versi 1.03/1.03 dengan kecermatan 0.01gram. Pengukuran kekasaran permukaan pada penelitian ini dilakukan dengan menggunakan Mitutoyo surftest 301 yang memiliki kecermatan sebesar 0,1 μm. Gambar 1. Bentuk, ukuran benda kerja dan elektroda yang digunakan. Gambar 2. Mesin EDM Sinking Dong Yang, model CH 300 A PROSIDING Vol. 01, Tahun 2016 ISSN:
4 B. Seting Parameter Proses Penentuan seting parameter proses pada mesin EDM sinking dilakukan berdasarkan EDM sinking manual book. Ada dua macam seting parameter proses yang digunakan, yaitu parameter konstan dan parameter proses yang dapat diubah. Seting parameter proses untuk elektroda copper dan benda kerja baja AISI 4340 dilakukan satu kali untuk seluruh rangkaian penelitian. Seting parameter konstan (Tabel 1) dan Seting parameter proses (Tabel 2). Tabel 1 Parameter Konstan No Variabel Proses Konstan Jenis/Nilai 1 Hours Voltage 2 2 Servo Feed ( s) 8 3 Polarity DCEP 4 Jump 1 Sumber: Manual Book Mesin EDM Tabel 2 Parameter Proses dan Level Variabel Proses level 1 level 2 level 3 A Pulse Current Ampere B On time s C Off time s D Gap voltage Volt 7-10 C. Pemilihan Matriks Ortogonal Derajat kebebasan pada matriks ortogonal harus bernilai sama atau lebih besar daripada total derajat kebebasan faktor dan level yang telah ditetapkan. Berdasarkan banyaknya parameter proses dan jumlah level yang ditunjukkan pada Tabel 2, maka dilakukan perhitungan derajat kebebasan untuk menentukan matriks ortogonal yang digunakan. Replikasi dilakukan sebanyak dua kali untuk mengatasi variabel gangguan (noise) yang terjadi selama proses pemotongan berlangsung. Rancangan ekperimen berupa matriks orthogonal L 18 dan hasil respon yang diperoleh (Tabel 3). D. Pengembangan BPANN Dalam pengembangan BPANN, data hasil eksperimen dijadikan input (parameter) dan output (respon) untuk membuat model dengan menggunakan BPANN. Secara umum, ada lima tahapan dalam pengembangan BPANN, yaitu: mengumpulkan data, melakukan pre-processing (normalisasi) terhadap data, membuat arsitektur jaringan (input, hidden dan output), melakukan training, testing dan validasi, serta melakukan post-processing terhadap data hasil prediksi. Pada umumnya data yang digunakan untuk training adalah 70%, untuk validasi adalah 15 % dan untuk testing adalah 15 % juga. Perangkat lunak yang digunakan untuk mengembangkan BPANN adalah MATLAB seri R2010a. PROSIDING Vol. 01, Tahun 2016 ISSN:
5 Tabel 3 Matriks Ortogonal L 18 dan respon yang dihasilkan. Run Order Gap Voltage (V) Off On Pulse Current (A) MRR (mm3/menit) Kekasaran Permukaan (Ra) (µm) ,985 3, ,421 4, ,173 6, ,996 3, ,523 5, ,030 7, ,835 3, ,443 3, ,202 7, ,859 3, ,522 4, ,247 6, ,193 4, ,575 4, ,452 6, ,945 3, ,114 5, ,403 6, ,997 2, ,492 3, ,163 7, ,980 3, ,486 5, ,005 7, ,831 3, ,413 4, ,239 7, ,849 3, ,563 4, ,254 6, ,199 4, ,579 4, ,476 6, ,954 4, ,134 5, ,380 6,28 Sumber: Hasil Pengukuran PROSIDING Vol. 01, Tahun 2016 ISSN:
6 1) Pre-processing: Pre-processing (normalisasi) dilakukan untuk mengubah data input (parameter) dan output (respon) hasil ekperimen menjadi bilangan antara 0,1 0,9 dengan menggunakan rumus 1. (1) 2) Arsitektur Jaringan: Arsitektur Jaringan terdiri dari neuron-neuron dalam dalam jaringan syaraf membentuk suatu struktur tertentu. Dalam penelitian ini, parameter yang divariasikan dalam BP-ANN adalah jumlah hidden layer, jumlah neuron dalam setiap hidden layer, fungsi aktifasi, dan fungsi trainning. Semua kombinasi menggunakan learning rate sebesar 0.01 dan performance goal sebesar Parameter BP-ANN yang digunakan pada penelitian dapat dilihat pada Tabel 4. Hidden Layer Tabel 4 Parameter BP-ANN yang divariasikan Jumlah Neuron Fungsi Aktivasi 1 6 Logsig Trainlm 2 8 Tansig Trainrp Fungsi training 3) Fungsi Aktivasi: Fungsi aktivasi yang digunakan pada back propagation harus memenuhi beberapa syarat, yaitu kontinyu, terdiferensial dengan mudah, dan merupakan fungsi yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga sering dipakai adalah fungsi sigmoid biner yang memiliki range (0,1). Perumusan dari fungsi tersebut adalah sebagai berikut (Jong, 2009): (2) 4) Fungsi Training: Proses training dilakukan sampai kesalahan (error) melampaui ambang batas training (threshold), atau sampai pada titik yang telah ditentukan. Inisialisasi dilakukan dengan cara pemberian bobot dan bias dengan harga bilangan acak yang cukup kecil. Pada saat harga error lebih kecil dari harga error yang ditentukan, maka proses pembelajaran dihentikan. Fungsi training yang digunakan dalam penelitian ini adalah Levenberg-Marquardt backpropagation (trainlm) dan Resilient backpropagation (trainrp). D. Normalisasi Data Parameter dan Respon Tabel 5 memperlihatkan data hasil normalisasi dari parameter dan respon yang dihitung dengan menggunakan rumus 1. Data hasil normalisasi ini kemudian menjadi input dan ouput dalam pembuatan model dengan menggunakan back propagation artificial neural network (BP-ANN). Tabel 5 Normalisasi Data Parameter dan Respon Run Order Gap Voltage (V) Off On Pulse Current (A) MRR (mm3/menit) Kekasaran Permukaan (Ra) (µm) 1 0,100 0,100 0,100 0,100 0,7354 0, ,100 0,355 0,100 0,300 0,2691 0, ,100 0,900 0,100 0,900 0,5340 0, ,100 0,100 0,260 0,100 0,7230 0,320 PROSIDING Vol. 01, Tahun 2016 ISSN:
7 Run Order Gap Voltage (V) Off On Pulse Current (A) MRR (mm3/menit) Kekasaran Permukaan (Ra) (µm) 5 0,100 0,355 0,260 0,300 0,1600 0, ,100 0,900 0,260 0,900 0,6868 0, ,100 0,100 0,900 0,100 0,8950 0, ,100 0,355 0,900 0,300 0,2457 0, ,100 0,900 0,900 0,900 0,5030 0, ,900 0,100 0,100 0,100 0,8695 0, ,900 0,355 0,100 0,300 0,1610 0, ,900 0,900 0,100 0,900 0,4554 0, ,900 0,100 0,260 0,100 0,5133 0, ,900 0,355 0,260 0,300 0,1044 0, ,900 0,900 0,260 0,900 0,2367 0, ,900 0,100 0,900 0,100 0,7784 0, ,900 0,355 0,900 0,300 0,5977 0, ,900 0,900 0,900 0,900 0,2886 0, ,100 0,100 0,100 0,100 0,7219 0, ,100 0,355 0,100 0,300 0,1932 0, ,100 0,900 0,100 0,900 0,5445 0, ,100 0,100 0,260 0,100 0,7401 0, ,100 0,355 0,260 0,300 0,1996 0, ,100 0,900 0,260 0,900 0,7140 0, ,100 0,100 0,900 0,100 0,9000 0, ,100 0,355 0,900 0,300 0,2784 0, ,100 0,900 0,900 0,900 0,4636 0, ,900 0,100 0,100 0,100 0,8803 0, ,900 0,355 0,100 0,300 0,1180 0, ,900 0,900 0,100 0,900 0,4473 0, ,900 0,100 0,260 0,100 0,5068 0, ,900 0,355 0,260 0,300 0,1000 0, ,900 0,900 0,260 0,900 0,2106 0, ,900 0,100 0,900 0,100 0,7683 0, ,900 0,355 0,900 0,300 0,5764 0, ,900 0,900 0,900 0,900 0,3131 0,719 Setelah data dinormalisasi, maka dibuatlah rancangan percobaan untuk memilih jaringan mana yang menghasilkan model dengan mean square error (MSE) terkecil. Tabel 6 menunjukkan rancangan percobaan dengan menggunakan full factorial. PROSIDING Vol. 01, Tahun 2016 ISSN:
8 Tabel 6 Rancangan percobaan BPANN menggunakan full factorial. Jaringan ke- Unit Neuron Hidden Layer Fungsi Aktivasi Fungsi Pelatihan logsig Trainlm logsig Trainrp tansig Trainlm tansig Trainrp logsig Trainlm logsig Trainrp tansig Trainlm tansig Trainrp logsig Trainlm logsig Trainrp tansig Trainlm tansig Trainrp logsig Trainlm logsig Trainrp tansig Trainlm tansig Trainrp Berdasarkan Tabel 6, rancangan percobaan BPANN yang dibuat pada jaringan ke-1 memiliki 6 unit neuron, sebuah hidden layer, fungsi aktivasi berupa logsig dan output berupa purelin serta fungsi training menggunakan Levenberg-Marquardt backpropagation (trainlm). Gambar 3 menunjukkan hasil rancangan BPANN dan MSE yang dihasilkan. Gambar 3. Rancangan BP-ANN dan MSE yang dihasilkan Hasil pelatihan BPANN secara keseluruhan dari jaringan yang dikembangkan dan menghasilkan nilai MSE ditunjukkan pada Gambar 4. PROSIDING Vol. 01, Tahun 2016 ISSN:
9 Gambar 4. MSE hasil prediksi menggunakan BPANN. Dari training, testing dan validasi yang telah dilakukan berdasarkan Gambar 5 diperoleh nilai MSE terkecil adalah sebesar 0, pada jaringan ke-13 dari arsitektur jaringan fungsi aktivasinya adalah logsig dan jenis training adalah trainlm. Jaringan memiliki arti bahwa jaringan mempunyai 4 input layer, 2 buah hidden layer dengan 8 buah neuron pada masing-masing hidden layer, dan 2 output layer. E. Penentuan Parameter GA Setelah proses pengembangan BPANN selesai dan didapatkan arsitektur jaringan yang menghasilkan MSE terkecil, langkah berikutnya adalah penentuan parameter GA yang akan digunakan dalam perangkat lunak MATLAB seri R2010a. Parameterparameter yang digunakan dalam GA adalah: Population size = 500, Cross over = 0.6, Generation = 60, Mutation = 0.05, Initial = [0;1]. F. Optimasi BPANN-GA Setelah proses penetapan parameter GA, langkah selanjutnya adalah melakukan optimasi BPANN yang digabungkan dengan GA. Optimasi dilakukan untuk memperoleh nilai MRR yang maksimum dan nilai kekasaran permukaan yang minimum. Langkah-langkah proses optimasi BPANN-GA yaitu: Pemilihan nilai rata-rata terkecil dari kedua respon. Berdasarkan data pada Tabel 5, diperoleh nilai rata-rata terkecil pada seting kombinasi ke-13 dan untuk MRR dan kekasaran permukaan adalah 0,1932 dan 0,258. Maka nilai rata-rata terkecil dari kedua respon tersebut adalah 0,2255. Memasukkan nilai rata-rata terkecil yang diperoleh sebesar 0,2255 tersebut kedalam program BPANN-GA di perangkat lunak MATLAB. Program akan berhenti, apabila jumlah generasi atau iterasi maksimum telah tercapai dan jika nilai fitness terbaik minimal telah tercapai. Berdasarkan langkah-langkah diatas, hasil optimasi BPANN dan GA diperoleh pada seting faktor kombinasi ke-350, dimana hasil rata-rata MRR dan kekasaran permukaan adalah 0,1187 lebih kecil dari hasil rata-rata MRR dan kekasaran permukaan pada eksperimen awal sebesar 0,2255. Tabel 7 menunjukkan hasil optimasi BPANN dan GA untuk seting masing-masing parameter proses dan respon yang dihasilkan. PROSIDING Vol. 01, Tahun 2016 ISSN:
10 Seting faktor, kombinasi ke- Gap Voltage (V) Tabel 7 Hasil Optimasi BPANN dan GA Parameter Proses Off On Pulse Current (A) MRR (mm 3 /min) Respon Kekasaran Permukaan (µm) , , , , , , ,634 3,24 SIMPULAN Dari hasil penelitian yang telah dilakukan dapat disimpulkan: Nilai MSE terkecil sebesar 0, di peroleh dari training yang menggunakan arsitektur jaringan , yang terdiri dari: 4 input layer, 2 buah hidden layer dengan 8 buah neuron pada hidden layer, 2 output layer, fungsi aktivasi berupa logsig, dan jenis training berupa trainlm. Seting kombinasi faktor-faktor yang signifikan untuk memaksimalkan MRR dan meminimalkan kekasaran permukaan secara serentak adalah sebagai berikut: gap voltage pada 9 V, on time pada 53 µs, off time pada 10 µs, pulse current pada 12 A. MRR terbesar dan kekasaran permukaan terkecil adalah sebesar 1,634 mm3/min dan 3,24 µm. DAFTAR PUSTAKA Jong, J.S.(1998). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. 2nd edition. C.V. Andi. Yogyakarta. Mandal, D., Pal, S.K dan Saha, P., Modeling of Electrical Discharge Machining Process using Back Propagation Neural Network and Multi-Objective Optimizationusing non-dominating Sorting Genetic Algorithm-II, Journal of Materials Processing Technology, Vol.186, hal , Yahya, A., Andromeda, T., Baharom, A., Rahim, A.A dan Mahmud, N., Material Removal Rate Prediction of Electrical Discharge Machining Process Using Artificial Neural Network, Journal of Mechanics Engineering and Automation, Vol.1, hal , PROSIDING Vol. 01, Tahun 2016 ISSN:
PENENTUAN 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 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 terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Seiring dengan kemajuan teknologi, banyak material yang semakin sulit untuk dikerjakan dengan proses pemesinan konvensional. Selain tuntutan terhadap kualitas
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 terperinciArtificial Neural Network Backpropagation Dengan Momentum Untuk Prediksi Surface Roughness Pada CNC Milling
Artificial Neural Network Dengan Momentum Untuk Prediksi Surface Roughness Pada CNC Milling Vivi Tri Widyaningrum Program Studi Mekatronika, Fakultas Teknik, Universitas Trunojoyo Madura Bangkalan, Jawa
Lebih terperinciPENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto
PENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto Teknik Informatika, Univesitas Dian Nuswantoro ABSTRACT: Peramalan saham merupakan
Lebih terperinciPREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION
JIMT Vol. 4 No. Juni 207 (Hal 47-55) ISSN : 2450 766X PREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION J.R. Mustakim, R. Ratianingsih 2 dan D. Lusiyanti 3,2,3 Program Studi
Lebih terperinciParkway Street Batam Centre, Batam Jalan Kalimantan No.37, Jember. Jalan Kalimantan No.37, Jember
PENGARUH PARAMETER PROSES CURRENT PULSE, ON TIME, DAN OFF TIME PADA ELECTRICAL DISCHARGE MACHINING (EDM) DIE SINKING TERHADAP NILAI KEKASARAN PERMUKAAN BENDA KERJA BAJA AISI H-13 1 Widodo, 2 Ahmad Arif
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 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 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 terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
Lebih 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 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 terperinciTugas Akhir TM
Tugas Akhir TM - 091486 OPTIMASI LAJU PENGERJAAN BAHAN (LPB) DAN KEKASARAN PERMUKAAN PADA PROSES WIRE-ELECTRIC DISCHARGE MACHINING MATERIAL SKD-11 DENGAN METODE TAGUCHI DAN LOGIKA FUZZY Jurusan Teknik
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 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 terperinciOPTIMASI PARAMETER PERMESINAN TERHADAP LAJU PEMBUANGAN MATERIAL DAN KETELITIAN UKURAN (OVERCUT) PADA PROSES ELECTRICAL DISCHARGE MACHINE (EDM)
//digilib.unej.a //digilib.unej.ac. //digilib.unej.a //digilib.unej.ac. //digilib.unej.a //digilib.unej.ac. //digilib.unej.a //digilib.unej.ac. //digilib.unej.a //digilib.unej.ac. //d //d //d //d OPTIMASI
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih 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 terperinciSTUDI EKSPERIMENTAL PENGARUH VARIASI JENIS MATERIAL ELEKTRODA TERHADAP PEFORMANSI PEMESINAN DRILLING EDM MENGGUNAKAN EDM TIPE RELAKSASI (RC)
STUDI EKSPERIMENTAL PENGARUH VARIASI JENIS MATERIAL ELEKTRODA TERHADAP PEFORMANSI PEMESINAN DRILLING EDM MENGGUNAKAN EDM TIPE RELAKSASI (RC) Adi Muttaqin 1) dan Suharjono 2) 1) Program Magister Jurusan
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 terperinciPERANCANGAN SISTEM KONTROL POSISI DAN KECEPATAN PADA KAPAL SELAM MENGGUNAKAN JARINGAN SARAF TIRUAN
ABSTRAK PERANCANGAN SISTEM KONTROL POSISI DAN KECEPATAN PADA KAPAL SELAM MENGGUNAKAN JARINGAN SARAF TIRUAN Agus Syahril / 0322013 Jurusan Teknik Elektro, Fakultas Teknik Universitas Kristen Maranatha Jl.
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 terperinciTUGAS AKHIR TEKNIK MANUFAKTUR
TUGAS AKHIR TEKNIK MANUFAKTUR STUDI EKSPERIMENTAL PENGARUH VARIASI JENIS MATERIAL ELEKTRODA TERHADAP MRR, KEKASARAN PERMUKAAN, WEAR RATIO ELEKTRODA HASIL PROSES EDM SINKING DISUSUN OLEH: AZAM WIJANARKO
Lebih terperinciSTUDI EKSPERIMENTAL PENGARUH VARIASI JENIS MATERIAL ELEKTRODA TERHADAP MRR, KEKASARAN PERMUKAAN, WEAR RATIO ELEKTRODA HASIL PROSES EDM SINKING
TUGAS AKHIR TEKNIK MANUFAKTUR STUDI EKSPERIMENTAL PENGARUH VARIASI JENIS MATERIAL ELEKTRODA TERHADAP MRR, KEKASARAN PERMUKAAN, WEAR RATIO ELEKTRODA HASIL PROSES EDM SINKING DISUSUN OLEH: AZAM WIJANARKO
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 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 terperinciStudi Pengaruh Besar Arus dan Arc On-Time Pada Electrical Discharge Machining (EDM) Sinking
Studi Pengaruh Besar dan Arc On-Time Pada Electrical Discharge Machining (EDM) Sinking Terhadap Kekasaran Permukaan Benda Kerja dan Keausan Elektroda Roche Alimin, Juliana Anggono, Rinto Hamdrik Jurusan
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 terperinciPengaruh Besar Arus Listrik Dan Tegangan Terhadap Kekasaran Permukaan Benda Kerja Pada Electrical Discharge Machining (EDM)
Pengaruh Besar Arus Listrik Dan Tegangan Terhadap Kekasaran Permukaan Benda Kerja Pada Electrical Discharge Machining (EDM) Dengan Metode Respon Surface P u r n o m o, Efrita AZ, Edi Suryanto Jurusan Teknik
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 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 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 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 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 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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Sudah menjadi kenyataan bahwa semua yang ada di sekitar dihasilkan dari material dan kita tergantung pada dan dibatasi juga oleh material. Revolusi material dimulai
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 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 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 terperinciPembimbing : Prof. Dr. Ing. Suhardjono MSc. Oleh : Dwi Rahmad F. NRP:
Pembimbing : Prof. Dr. Ing. Suhardjono MSc. Oleh : Dwi Rahmad F. NRP: 2103100011 Latar Belakang Masalah Ketidakmampuan pemesinan konvensional mengerjakan produk dengan kekerasan tinggi dengan bentuk yang
Lebih terperinciOleh : M. Mushonnif Efendi ( ) Dosen Pembimbing : Dr. Sony Sunaryo, M.Si.
OPTIMASI WAKTU PEMOTONGAN BAJA HSS PADA WIRE-EDM MENGGUNAKAN METODE TAGUCHI Oleh : M. Mushonnif Efendi (307 030 05) Dosen Pembimbing : Dr. Sony Sunaryo, M.Si. Prodi D3 STATISTIKA FAKULTAS ILMU PENGETAHUAN
Lebih terperinciJURNAL SAINS DAN INFORMATIKA
39 Fauzul Sains Amri, dan Jaringan Informatika Syaraf Vol.1 Tiruan (N0.1) untuk (2015): Memprediksi 37-43 JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
Lebih terperinciBAB I PENDAHULUAN. machining adalah proses pemotongan bahan dengan memanfaatkan energi
BAB I PENDAHULUAN 1.1. Latar Belakang Electrical discharge machining (EDM) atau disebut juga spark machining adalah proses pemotongan bahan dengan memanfaatkan energi panas yang dihasilkan oleh loncatan
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 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 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 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 terperinciJurnal Fisika Unand Vol. 2, No. 4, Oktober 2013 ISSN
PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN BEBERAPA FUNGSI PELATIHAN BACKPROPAGATION (Studi Kasus: Stasiun Meteorologi Tabing Padang, Tahun 2001-2012) Cici Oktaviani, Afdal
Lebih terperinciMENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB
POLITEKNOSAINS VOL. X NO. 2 Juni 2011 MENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB Yaya Finayani Teknik Elektro, Politeknik Pratama Mulia, Surakarta 57149, Indonesia ABSTRACT
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 terperinciKecepatan potong Kecepatan makan Kedalaman potong. Kekasaran Permukaan
Kecepatan potong Kecepatan makan Kedalaman potong Kekasaran Permukaan Kombinasi Parameter Respon Optimum Single Respon Multi Respon V vf a F Ra LPM Sifat mampu mesin yang baik. Kekerasan 170 210 HB. Kekerasannya
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 terperinciPemodelan Sistem dengan Metode Neural Network Back Propagation. Modeling System Using Neural Network Backpropagation
Pemodelan Sistem dengan Metode Neural Network Back Propagation Modeling System Using Neural Network Backpropagation Dwi Sudarno Putra 1), Toto Sugiarto 1) & Meri Azmi 2) 1) Jurusan Teknik Otomotif Universitas
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION
JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION Yuyun Dwi Lestari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan E-mail : yuyun.dl@gmail.com
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 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 III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
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 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 terperinciJl. Raya Dukuhwaluh Purwokerto )
Tingkat Ketelitian Pengenalan Pola Data pada Algoritma Pelatihan Perbaikan Metode Batch Mode dalam Jaringan Syaraf Tiruan (The Level of Data Pattern Recognition Accuracy on Training Algorithm of Batch
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
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 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 terperinciPENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION Restiana Putri Abstract - On a government agencies Badan Keluarga Berencana
Lebih 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 terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
Lebih 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 terperinciSEGMENTASI HURUF TULISAN TANGAN BERSAMBUNG DENGAN VALIDASI JARINGAN SYARAF TIRUAN. Evelyn Evangelista ( )
SEGMENTASI HURUF TULISAN TANGAN BERSAMBUNG DENGAN VALIDASI JARINGAN SYARAF TIRUAN Evelyn Evangelista (1022004) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof. Drg. Suria
Lebih terperinciANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES
ANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES Thomas Brian Universitas Trunojoyo Madura Bangkalan, Indonesia thomasbrian2112@yahoo.com Abstrak Salah satu algoritma
Lebih terperinciPREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI PDAM KOTA MALANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 2, Juni 2016, hlm. 83-87 PREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI PDAM KOTA MALANG Daneswara
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 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 terperinciGambar 1.1 Tegangan residu pada permesinan konvensional turning (Rech dkk, 2008)
BAB I PENDAHULUAN 1.1 Latar Belakang Kemajuan manufaktur kian hari semakin meningkat khususnya pada pengembangan permesinan non-konvensional. Perkembangan material baru seiring dengan meningkatnya kebutuhan
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 terperinciANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM)
ANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM) Hanura Ian Pratowo¹, Retno Novi Dayawati², Agung Toto Wibowo³ ¹Teknik Informatika,,
Lebih terperincioleh WAHYUNI PUTRANTO NIM. M SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
PERBANDINGAN METODE GRADIENT DESCENT DAN GRADIENT DESCENT DENGAN MOMENTUM PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN KURS TENGAH RUPIAH TERHADAP DOLAR AMERIKA oleh WAHYUNI PUTRANTO NIM.
Lebih terperinciUnnes Journal of Mathematics
UJM 2 (2) (2013) Unnes Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN ARIMA Dwi Prisita
Lebih terperinciSTUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
STUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Muh. Ishak Jumarang 1), Lyra Andromeda 2) dan Bintoro Siswo Nugroho 3) 1,3) Jurusan Fisika,
Lebih terperinciPEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK
PEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK Bilqis Amaliah 1, Amethis Oktaorora 2 1,2 Teknik Informatika, FTIf - ITS,Surabaya
Lebih terperinciPREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION DAN WEIGHT-ELIMINATION
Konferensi Nasional Sistem dan Informatika 1; Bali, November 13, 1 PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION DAN WEIGHT-ELIMINATION Fitrisia, Adiwaya, dan Andrian
Lebih terperinciBAB 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
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 terperinciPERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN JARINGAN SARAF TIRUAN ELMAN DENGAN ALGORITME GRADIENT DESCENT ADAPTIVE LEARNING RATE
PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN JARINGAN SARAF TIRUAN ELMAN DENGAN ALGORITME GRADIENT DESCENT ADAPTIVE LEARNING RATE oleh BETA VITAYANTI M0110012 SKRIPSI Ditulis dan diajukan untuk
Lebih 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 terperinciSETING PARAMETER ELECTRICAL DISCHARGE MACHINE UNTUK MENENTUKANKEKASARAN PERMUKAAN DAN LAJU PEMBUANGAN MATERIAL
SETING PARAMETER ELECTRICAL DISCHARGE MACHINE UNTUK MENENTUKANKEKASARAN PERMUKAAN DAN LAJU PEMBUANGAN MATERIAL Oleh: Agung Supriyanto 1) ; Joko Yunianto Prihatin 2) 1),2) Dosen Teknik Mesin Akademi Teknologi
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 terperinciANALISA NILAI UJIAN MASUK STT WASTUKANCANA BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN METODE BACKPROPAGATION
ANALISA NILAI UJIAN MASUK STT WASTUKANCANA BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN METODE BACKPROPAGATION Program Studi Teknik Informatika STT Wastukancana Jl. Raya Cikopak No.53, Sadang, Purwakarta
Lebih 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 3 METODE PENELITIAN
31 BAB 3 METODE PENELITIAN 3.1 Pengumpulan Data (Data gathering). Pengumpulan data harus mampu mendeskripsikan data yang ada, serta memiliki kontribusi terhadap pengetahuan. Data yang tidak lengkap perlu
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 Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
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 terperinciPERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION ALGORITHM
JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI Vol.6 No. 2, Desember 217 : 8-91 PERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION
Lebih 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 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 terperinciPemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat
Pemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat SKRIPSI Disusun oleh: MAULIDA NAJWA 24010212130028 DEPARTEMEN STATISTIKA
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 terperinci