BAB 3 METODOLOGI PENELITIAN
|
|
- Yulia Santoso
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 data pelatihan dan juga data pengujian. Data yang digunakan pada penelitian ini yaitu data produktivitas kelapa sawit pada PTPN IV unit kebun Marjandi mulai dari tahun ini adalah sebagai berikut : Tabel 3.1 Data input/atribut yang digunakan No Data Input/ Atribut Jumah data 1 Umur 5 2 Pemupukan 60 3 Kelembaban 60 4 Penyinaran 60 5 Curah hujan 60 6 Hari hujan 60 Pada Tabel 3.1 data yang akan gunakan adalah umur tanaman yang sudah menghasilakan dari tahun 2010 sampai dengan sekarang jumlah datanya 5, pemupukan yang di lakukan sebanyak 60 data yang diambil dari setiap tahunnya, kelembaban udara selama 5 tahun, penyinaran cahaya matahari selama 5 tahun, curah hujan dan hari hujan selama 5 tahun.
2 3.2 Rancangan Penelitian Pada penelitian ini akan dilakukan beberapa langkah untuk mencapai tujuan penelitian. Langkah langkah tersebut dapat digambarkan melalui diagram alir pada gambar 3.1. Penelitian ini dimulai dari pengumpulan data dari data mentah. Tahap berikutnya adalah penentuan desain arsitektur jaringan dengan penentuan pola masukan dan keluaran untuk keperluan pelatihan dan pengujian pada jaringan syaraf tiruan (JST) Tahap ini kemudian diikuti dengan penentuan algoritma pelatihan. Selanjutnya adalah tahap pelatihan terhadap data yang telah dinormalisasi dan ditentukan arsitekturnya, pelatihan dilakukan pertama untuk algoritma backpropagation standar, setelah itu baru dilakukan kembali pelatihan dengan menambahkan learning rate dan kooefisien momentum pada update bobot. Tujuan pelatihan tersebut untuk membandingkan nilai epoch dan penentuan nilai Mean Square Error (MSE). Setelah dilakukan tahap pelatihan adalah tahap pengujian terhadap data pengujian, tujuannya untuk mengetahui tingkat validasi hasil. Data Mentah Arsitektur Jaringan Inisialisasi Bobot Awal Proses : 1. Normalisai data 2. proses Traning/ pelatihan backpropagasi standart 3. proses Traning/ pelatihan backpropagasi penambahan nilai momentum 4. proses testing/ pengujian Hasil Prediksi Analisis Gambar 3.1 Rancangan Penelitian
3 3.3 Proses Penyelesaian Masalah Perancangan Jaringan Backpropagation Jaringan syaraf tiruan backpropagation tersusun dari beberapa lapisan, dimana masing masing lapisan terdiri dari beberapa unit pengolahan data. Pada penelitian ini, arsitektur jaringan yang digunakan terdiri dari tiga lapisan, yaitu enam lapisan masukan (input), empat lapisan tersembunyi (hidden) dan satu lapisan keluaran (output). Data yang berfungsi sebagai masukan dan keluaran yang diperoleh dari penelitian backpropagation dilakukan dengan membagi data menjadi 3 bagian, yaitu: data untuk training/pelatihan, data untuk testing/pengujian, dan data untuk prediksi. Data yang digunakan adalah data umur, pemupukan, data kelembaban, penyinaran dan curah hujan dari kebun marjandi tahun Di mana data tahun digunakan sebagai pelatihan, data tahun digunakan sebagai pengujian, dan data tahun data yang akan diprediksi. Pada percobaan ini data yang digunakan sebagai sampel adalah data tahun 2010, banyaknya jumlah data yang digunakan untuk memprediksi adalah 72, dan ini hanya sampel data untuk satu tahun, maka jika data yang di butuhkan selama 6 tahun menjadi 60 x 6 adalah 360 data. Jumlah lapisan tersembunyi yang digunakan adalah empat, dengan jumlah neuron yang digunakan adalah empat. Fungsi aktivasi yang digunakan adalah fungsi sigmoid dengan ukuran rentang nilai 0 dan Arsitektur Jaringan Desain arsitektur jaringan dilakukan untuk prediksi produktivitas kelapa sawit dimulai dengan menentukan banyaknya data masukan yang digunakan, banyaknya layar tersembunyi (hidden layer) yang digunakan, dan banyaknya keluaran yang diinginkan. Data yang digunakan sebagai masukan sebanyak 6 data input dan data keluaran atau target adalah data pada tahun ke-4 (data input dengan target 2015). Untuk mengetahui umur, pemupukan, kelembaban, penyinaran, curah hujan, dan hari hujan pada tahun ke-5 maka data masukannya
4 merupakan data pada tahun ke-4 sampai tahun ke-5 (data input dengan target 2016), demikian seterusnya. JST Backpropagation diterapkan untuk mendapatkan kesetimbangan antara kemampuan memorisasi dan kemampuan menggeneralisasi maka untuk melanjutkan proses pelatihan sampai nilai errornya mencapai nilai minimum. Oleh sebab itu nilai error yang dapat diterima jaringan atau yang disering disebut galat error harus ditentukan terlebih dahulu dengan tujuan untuk menghentikan pelatihan. Apabila error jaringan lebih kecil atau sama dengan nilai galat error yang telah ditentukan tersebut. Pada simulasi ini nilai batas error yang direncanakan akan digunakan sebesar 0,01. Nilai batas error yang dipilih yang bernilai kecil untuk tetap menjaga keakuratan hasil yang diperoleh. B B X 1 X 2 V11 Z 1 W1 X 3 Z 2 Y X 4 Z 3 X 5 Z 4 X 6 Gambar 3.2 Arsitektur JST untuk produktivitas kelapa sawit Keterangan gambar 3.2 : Dataset : Dataset yang digunakan blood transfusion service X1, X2,X3,X4,X5,X6 : Masukkan data Input (1 50 data)
5 Y1,Y2,Y3,Y4 : Jumlah neuron pada hidden layer V11,V12 : Bobot pada lapisan tersembunyi W1, W2, W3,Wjk : Bobot matrik pada lapisan keluaran Z1 : Keluaran hasil Sedangkan arsitektur jaringan yang digunakan untuk produktivitas kelapa sawit yaitu 6-N-1. Dimana 6 input node data input yang digunakan pada tabel 3.1 Sedangkan jumlah hidden node N menggunakan rule of thumb. Hal lain yang diperlukan juga adalah parameter yang diatur dalam jaringan meliputi : a. Laju pembelajaran Laju pembelajaran yang dipilih mulai dari 0,1 dan digeneratekan secaraacak b. Momentum Konstanta momentum berupa bilangan positif antara 0 hingga 1 c. Jumlah iterasi maksimum Maksimum iterasi adalah jumlahepoch maksimum yang boleh dilakukan selama proses pelatihan. Iterasi akan berhenti apabila jumlah epoch yang sudah dilatihkan melebihi jumlah maksimum epoch. 3.4 Proses Normalisasi Sebelum diproses data dinormalisasi terlebih dahulu. Normalisasi terhadap data dilakukan agar keluaran jaringan sesuai dengan fungsi aktivasi yang digunakan. Data-data tersebut dinormalisasi dalam interval [0, 1] karena data yang digunakan bernilai positif atau 0. Selain itu juga terkait fungsi aktivasi yang diberikan yaitu sigmoid biner. Fungsi sigmoid adalah fungsi asimtotik (tidak pernah mencapai 0 ataupun 1), maka transformasi data dilakukan pada interval yang lebih kecil yaitu [0.1; 0.8], ditunjukkan dengan persamaan (3.1). ( ) Keterangan: a adalah data minimum b adalah data maksimum
6 x adalah data yang akan dinormalisasi x adalah data yang telah ditransformasi. Tabel 3.2 Data Unormalisasi Parameter Tahun Bulan X X ,1 5,2 5,3 5,4 5,5 5,6 5,7 5,8 5,9 6 6,1 6,2 X X , , , ,2 X X Target/ Dengan menggunakan Fungsi sigmoid maka akan di dapat data normalisasi sebagai berikut ( ) Tabel 3.3 Data setelah di Normalisasi Parameter Tahun Bulan X ,8145 0,1000 0,1453 0,6132 0,5101 0,2912 0,2107 0,5604 0,4799 0,4799 0,8849 0,9000 X ,1000 0,1727 0,2455 0,3182 0,3909 0,4636 0,5364 0,6091 0,6818 0,7545 0,8273 0,9000 X ,9000 0,5923 0,4077 0,5923 0,3462 0,5308 0,1000 0,3462 0,9000 0,5308 0,7769 0,4692 X ,6811 0,1000 0,1000 0,9000 0,1000 0,1000 0,1000 0,6103 0,1000 0,1000 0,1000 0,6911 X ,5571 0,1000 0,2524 0,4810 0,8238 0,2905 0,2905 0,5571 0,5190 0,4810 0,9000 0,7857 X ,6778 0,9000 0,4556 0,1889 0,2778 0,4111 0,1000 0,2778 0,2778 0,4111 0,1444 0,3667 Target ,1000 0,1121 0,4082 0,2791 0,3143 0,6957 0,6856 0,6687 0,8484 0,8439 0,7674 0, Komputasi Backpropagation Pada bagian ini proses dari jaringan syarat tiruanbackpropagationsemua rumus dari algoritma backpropagation pada bab 2. sedangkan nilai awal dari penimbang / pembobot adalah berkisar antara -0,5 sampai 0,9. Nilai pembobot awal tidak boleh terlalu besar karena nilai turunan aktivasinya menjadi sangat kecil juga. Akan
7 tetapi pada fase perubahan bobot berdasarkan learning rate dan koefisien momentum dengan rumusan yang tercantum pada persamaan 3.1 Misalnya sebuah jaringan terdiri atas dua unit input, satu unit tersembunyi, dan satu unit keluaran. Fungsi aktivasi yang digunakan adalah Sigmoid Biner, learning rate / alpha α = 0,01, toleransi error yang diperkenankan adalah 0,41. Jaringan digunakan untuk menyelesaikan fungsi XOR. Adapun data training yang digunakan terdiri atas empat pasang masukkan dan keluaran yakni: Langkah 0 : Inisialisasi Sembarang bobot dan bias, misalnya V 01 = -0,3 V 11 = 0,8 V 21 = 0,1 V 31 = 0,9 V 41 = 0,6 V 51 = 0,5 V 61 = 0,6 W 01 = 0,2 W 11 = (- 0,05) W 21 = (- 0,1) W 31 = 0,3 W 41 = (- 0,07) Langkah 1 : Dengan bobot sembarang tersebut, tentukan error untuk data training secara keseluruhan dengan rumus sebagai berikut : (3.2) Z net1 = - 0,3 + 0,8 (0,1) + 0,1 (0,1) + 0,9 (-0,4) + 0,6 (-0,2) + 0,5 (0,1) + 0,6 (0,2) = - 0,52 Z 1 = f (z_net j ) = = = 0,373
8 Z net2 = 0,2 + 0,8 (-0,04) + 0,1 (0,4) + 0,9 (0,2) + 0,6(0,4) + 0,5 (0,3) + 0,6 (0,2) = 0,158 Z 2 = = 0,54 Z net3 = 0,2 + 0,8 (0,4) + 0,1 (-0,4) + 0,9 (0,4) + 0,6 (0,2) + 0,5 (0,4) + 0,6 (0,1) = 1,22 Z 3 = = 0,77 Z net4 = (-0,4) + 0,8 (-0,3) + 0,1 (-0,3) + 0,9 (0,05) +0,6 (0,01) + 0,5 (-0,1) + 0,6 (0,2) = (-0, 549) Z 4 = = 0,36 Dimana indeks Z jn berarti bobot untuk nilai unit tersembunyi ke-j dan data training ke-n (3.3) Y net1 = 0,2 + 0,37 (-0,05) + 0,54 (-0,1) + 0,77 (0,3) + 0,36 (-0,07) = 0,33 Y = = 0,58 Langkah 2 : Karena, data error training masih lebih besar dari toleransi yakni 0,01. Maka, pelatihan dilanjutkan pada langkah 3 8. Langkah 3 : Training data pertama Langkah 4 dan 5 : ulangi langkah 2 dan masukkan bobot baru Langkah 6 : Karena memiliki sebuah keluaran maka, ( ) ( ) = (0 0,58) (0,58) (1-0,58) = - 0,58 x 0,58 x 0,42 = - 0,14 Perubahan bobot = 0,01 W 10 = 0,01 (-0,14) (1)= - 0,0014 W 11 = 0,01 (-0,14) (0,37) = 0,0005 (3.4)
9 W 12 = 0,01 (-0,14) (0,54) = 0,0077 W 13 = 0,01 (-0,14) (0,77) = 0,001 W 14 = 0,01 (-0,14) (0,36) = 0,0005 (3.5) Langkah 7 : Hitung penjumlahan kesalahan dari unit tersembunyi (= ) ( )( ) Karena jaringan hanya memiliki sebuah unit keluaran maka _net j = w 1j ( )( ) ( )( ) ( )( ) Faktor kesalahan tersembunyi ( )( ) ( )( ) ( )( ) ( )( ) Langkah 8: Hitung semua perubahan Bobot Perubahan bobot unit keluaran W kj (baru) = w kj (lama)+ w kj (k =1; j= 0, 1,...) W 11 (baru)=(- 0,05) + 0,0005 = -0,049 W 21 (baru)=(- 0,1) + 0,0077 = -0,092 W 31 (baru)=0,36 + 0,001 = 0,359 W 41 (baru)=(- 0,07) + 0,0005 = -0, Pelatihan Jaringan Pada langkah ini akan diamati variasi momentum dan laju pembelajaran terhadap unjuk kerja jaringan yang dinyatakan dengan besar kecilnya MSE selama proses pelatihan dan lamanya waktu iterasi. Tujuan dari langkah ini adalah untuk
10 memperoleh nilai momentum dan laju pembelajaran yang optimum. Dengan memakai arsitektur jaringan terbaik pada pelatihan 1 maka akan diamati pengaruh momentum dan laju pembelajaran terhadap unjuk kerja jaringan yaitu pada proses pelatihan Pada pelatihan 2, pengamatan dilakukan secara konstruktif dengan konstanta laju pembelajaran 0,1 sampai dengan 0,9 dan juga dengan variasi momentum mulai dari 0,5 sampai dengan 0,9. Kinerja tujuan (target error) yang diberikan adalah 0,01, maksimum iterasinya 4000 epoch dan algoritma pelatihannya gradient descent dengan momentum dan laju pembelajaran (traingdx) dapat dilihat pada tabel berikut. Tabel 3.4 Pelatihan Jaringan NO Nama Target output Error Mse 1 Januari 0,1 0,1082-0,0082 0, februari 0,1 0,1198-0,0198 0, Maret 0,4 0,4038-0,0038 0, April 0,2 0,1712 0,0288 0, Mei 0,3 0,303-0,003 0, Juni 0,6 0,5346 0,0654 0, Juli 0,6 0,6164-0,0164 0, agustus 0,6 0,6457-0,0457 0, september 0,8 0,7942 0,0058 0, oktober 0,8 0,8224-0,0224 0, nopember 0,7 0,7271-0,0271 0, desember 0,9 0,8472 0,0528 0, Proses testing/pengujian 0,0064 0, MSE 0, Jaringan yang telah dilatih dan mencapai hasil yang dikehendaki perlu diuji untuk mengetahui kemampuannya pada saat mempelajari data latih yang diberikan. Pengujian dapat dilakukan dengan menggunakan data set yang sudah dilatihkan untuk melihat unjuk kerja sistem aplikasi yang telah dibuat dengan melihat nilai error minimumnya. Selain itu juga pengujian dapat dilakukan menggunakan data set yang belum pernah dilatihkan sebelumnya untuk melihat tingkat akurasi sistem yang telah dibuat, yaitu menggunakan data uji mulai data tahun Pada Proses validasi, sistem diuji dengan data lain, hal ini dimaksud untuk mengetahui sejauh
11 mana sistem dapat menginformasikan nilai nilai keluaran dari nilai nilai masukan yang berikan.
12 BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Analisis Program yang dirancang akan mengimplementasikan. Berikut hasil implementasi dari program untuk analisis penambahan nilai momentum pada prediksi produktivitas kelapa adalah sebagai berikut: Pembobotan Awal Untuk melakukan pembobotan harus memasukan data terlebih dahulu. Dalam inisialisasi pembobotan awal dapat dilakukan dengan metode Backpropagation. Dalam pemberhentian program makan dibutuhkan 2 cara yaitu menggunakan epoch dan error untuk mendapatkan nilai yang dicapai. Dalam melakukan pengisian data maka dilakukan pembobotan yang konstanta. Pada saat tahap pembobotan akan dihitung bobot dan bias untuk melakukan pelatihan. Tahap pembobotan ini akan dipilih secara random, yang mana bobot yang diperoleh akan digunakan untuk feedforward (arus maju). Dimana pada tahap ini akan menerima sinyal X (data yang mempengaruhi penambahan nilai momentum pada prediksi produktivitas kelapa) Sinyal yang dimasukan akan diterima dan dikalikan dengan bobot pada satu node dari input layer menuju hidden layer serta ditambah dengan bias. Setelah tahap ini dilakukan pada masing-masing node pada hidden akan dihasilkan sinyal bobot pada satu node hidden layer. Untuk menghitung sinyal output pada hidden layer digunakan fungsi aktivasi sigmoid dan threshold untuk hidden layer. Setelah itu akan menjumlahkan bobot dari sinyal input sehingga didapat sinyal output dari output layer yang sudah diaktifkan. Sinyal yang diperoleh dari output layer akan dihitung error-nya dengan mengurangkan dengan data target. Selisih pengurangannya disebut dengan nilai error. Nilai error harus dicari nilainya lebih kecil dari batas error yang digunakan. Jika nilainya masih diatas batas error maka dilakukan koreksi bobot dan bias, koreksi bobot dan bias
13 dilakukan untuk mengurangi nilai error sehingga sistem menemukan pola untuk mendapatkan target. Selanjutnya bobot yang dapat menemukan pola untuk prediksi akan disimpan. Pada tahap pengujian bobot yang diperoleh pada saat pembobotan akan digunakan untuk menguji sistem, apakah sistem sudah dapat menemukan target atau belum. Dalam pengujian ini dilakukan sampai diperoleh error paling rendah atau yang mendekati target yang dicapai. Hasil nilai bobot menggunakan arsitektur yang terlihat pada tabel 4.1 sebagai berikut : Tabel 4.1 Data input yang digunakan No Data Input Jumah data 1 Umur 5 2 Pemupukan 60 3 Kelembaban 60 4 Penyinaran 60 5 Curah hujan 60 6 Hari hujan Training Data Algoritma Backpropagation Standar Setelah melakukan pembobotan serta penginputan data maka akan dilakukan pelatihan data. Dalam proses pelatihan akan dilihat dari jumlah Epoch dan batas error yang didapat. Untuk tahap ini menggunakan training menggunakan arsitektur untuk medapatkan pola tersebut. Dapat lihat dari gambar 4.1 berikut ini :
14 Gambar 4.1 Pelatihan menggunakan arsitektur Pada pelatihan ini untuk mendapatkan target menggunakan waktu 4 menit 3 detik dengan epoch iterations dimana performance (goal) yang digunakan 0,0001. Sedangkan dalam bentuk grafik yang terlihat pada gambar 4.2 sebagai berikut : Gambar 4.2 Grafik pelatihan menggunakan arsitektur 6-4-1
15 Dari hasil training ini dari 6 variabel yang didapat maka akan mendapatkan nilai output dari terget yang ditentukan serta MSE ( Mean Square Error) seperti terlihat pada tabel 4.2 berikut ini : Tabel 4.2 Output, error dan Mse NO Nama Target output Error Mse 1 Januari 0,1 0,1082-0,0082 0, Februari 0,1 0,1198-0,0198 0, Maret 0,4 0,4038-0,0038 0, April 0,2 0,1712 0,0288 0, Mei 0,3 0,303-0,003 0, Juni 0,6 0,5346 0,0654 0, Juli 0,6 0,6164-0,0164 0, Agustus 0,6 0,6457-0,0457 0, September 0,8 0,7942 0,0058 0, Oktober 0,8 0,8224-0,0224 0, Nopember 0,7 0,7271-0,0271 0, Desember 0,9 0,8472 0,0528 0, Nilai output langsung diperhitungan dengan menggunakan matlab, dengan source code : [a,pf,af,e,perf]=sim(net,p,[],[],t) apabila dengan perhitungan menggunakan rumus : Sedangkan untuk mendapatkan nilai error dari target menggunkan rumus : E = t - y k Untuk mendapatka hasil dari MSE ( Mean Square Error ) menggunakan rumus :
16 4.1.3 Hasil Pelatihan Algoritma Backpropagation standar Pada pelatihan algoritma backpropagation data set yang digunakan Terdapat 6 input data yaitu data umur, pemupukan, kelembaban, curah hujan dan hari hujan dalam memprediksi produktivitas kelapa sawit. Arsitektur yang dipilih adalah dengan target error ditetapkan 0,01. Hasil pelatihan yang diperoleh pada saat pembelajaran jaringan mencapai konvergensi pada epoch ke 4728, dengan nilai mean square error yang dihasilkan sebagai indikator kinerja jaringan syaraf mencapai 0,001 pembelajaran di perlihatkan pada gambar 4.3 Gambar Hasil Pelatihan Algoritma Pada pelatihan algoritma backpropagation digunakan memprediksi produktivitas kelapa sawit 0,01. Pada pembelajaran ini dengan metode yang digunakan dengan menavariabel learning rate nilai learning rate Grafik pembelajaran backpropagation Backpropagation learning rate yang terdiri dari Arsitekturyang dipilih adalah6-4-1dengan target dan koefisien momentum pada fase perubahan bobot, dimana di melakukan penyesuaian secara adaptif pada proses perubahan. Grafik hasil Gambar 4.3 Grafik pembelajaran backpropagasi standar
17 4.1.4 Hasil Pelatihan Algoritma Backpropagation dengan momentum Pada pelatihan algoritma backpropagation data set yang digunakan Terdapat 6 input data yaitu data umur, pemupukan, kelembaban, curah hujan dan hari hujan dalam memprediksi produktivitas kelapa sawit. Arsitektur yang dipilih adalah dengan target error ditetapkan 0,01 dengan penambahan momentum. Hasil pelatihan yang diperoleh pada saat pembelajaran jaringan mencapai konvergensi pada epoch ke 727, dengan nilai mean square error yang dihasilkan sebagai indikator kinerja jaringan syaraf mencapai 0,001 pembelajaran di perlihatkan pada gambar 4.4 Gambar Hasil Pelatihan Algoritma Pada pelatihan algoritma backpropagation digunakan memprediksi produktivitas kelapa sawit 0,01. Pada pembelajaran ini dengan metode yang digunakan dengan menavariabel learning rate nilai learning rate Grafik pembelajaran backpropagation Backpropagation learning rate yang terdiri dari Arsitekturyang dipilih adalah6-4-1dengan target dan koefisien momentum pada fase perubahan bobot, dimana di melakukan penyesuaian secara adaptif pada proses perubahan. Grafik hasil Gambar 4.4 Grafik pembelajaran backpropagasi momentum
18 4.2 Hasil Pengujian Setelah proses pelatihan dilakukan pada algoritma backpropagation adaptive learning pengujian data untuk algoritma diperoleh tingkat akurasi sebesar 86%. 4.3 Pembahasan Berdasarkan grafik yang dihasilkan dari pelatihan data terlihat bahwa laju konvergensi jaringan algoritma backpropagation konvergensi pada algoritma menambahkan parameter pada percepatan pembelajaran backpropagation. Gambar 4.5 backpropagation maka tahap berikutnya pengujian data, hasil backpropagation standar dan standar sangat lambat dibandingkan dengan laju backpropagation adaptive learning. Ini menunjukkan bahwa adaptive learning dan koefisien momentum sangat berpengaruh (accelerated learning) pada jaringan syaraf tiruan Grafik perbandingan kedua algoritma standar dan adaptive learning Pada grafik 4.5 diperlihatkan perbedaan iterasi yang dihasilkan dari kedua algoritma dengan nilai epoch yang jauh berbeda. Algoritma yang diusulkan (adaptive learning rate) hanya membutuhkan 727 epoch serta hasil MSE yang diperoleh mendekati 0 untuk mencapai titik konvergensi menunjukkan jauh lebih cepat dibandingkan dengan algoritma backpropagation standar yang mencapai 1000 epoch, menunjukkan bahwa kinerja algoritma backpropagation adaptive learning lebih baik dibandingkan algoritma backpropagation standar. Percepatan pembelajaran pada algoritma backpropagation adaptive learning disebabkan penambahan learning rate secara adaptif disesuaikan dengan perubahan perhitungan kuadrat error dan koefisien momentum pada setiap iterasi sehingga lebih cepat mencapai error.
19 BAB 5 KESIMPULAN DAN SARAN 5.1 Kesimpulan Dari hasil penelitian dan pembahasan maka penulis mengambil kesimpulan sebagai berikut. 1. Penerapan algoritma jaringan syaraf tiruan backpropagation secara luas telah di implementasikan dalam berbagai aplikasi yang praktis, algoritma ini masih memerlukan perbaikan. Pada penelitian ini penulis menambahkan parameter adaptive learning rate dan koofisien momentum pada perhitungan update bobot dengan mengambil nilai bobot pada iterasi yang lalu dan menambahkan nilai bobot sekarang untuk meningkatkan percepatan pembelajaran (accelerated learning) pada algoritma backpropagation. 2. Efektifitas algoritma dengan membandingkan hasil iterasi antara algoritma backpropagation standar dengan backpropagation adaptive learning 3. Dari hasil penelitian menunjukkan bahwa algoritma backpropagation dengan penambahan nilai momentum hanya mencapai 727 epoch dengan nilai MSE 0,01, sedangkan algoritma backpropagation standar mencapai 4000 epoch dengan nilai MSE 0, Saran Berdasarkan hasil penelitian maka saran yang dapat disampaikan adalah sebagai berikut : 1. Untuk meningkatkan percepatan pembelajaran maka penentuan bobot awal untuk pelatihan dapat menggabungkan dengan algoritma yang lain untuk keakuratan penentuan bobot awal. 2. Modifikasi pada pelatihan standar backpropagation selain menggunakan adaptive learning dan penambahan nilai momentum perlu dicoba untuk mempercepat iterasi selama proses pelatihan jaringan.
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
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 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 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 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 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 & 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciPenerapan 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 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 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 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 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 terperinciMETODOLOGI PENELITIAN
digilib.uns.ac.id BAB III METODOLOGI PENELITIAN 3.1 Studi Literatur Studi ini dilakukan dengan cara mencari dan membaca berbagai literatur serta karya-karya penelitian mengenai topik penelitian yang sudah
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
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 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 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 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 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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 menggambarkan desain penelitian peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode Jaringan Syaraf Tiruan Backpropagation.
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 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 terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Perceptron 2. ADALINE 3. MADALINE 2 Perceptron Perceptron lebih powerful dari Hebb Pembelajaran perceptron mampu menemukan konvergensi terhadap bobot yang
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 terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA
ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA Julpan 1 *, Erna Budhiarti Nababan 1 & Muhammad Zarlis 1 1 Program S2 Teknik Informatika
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 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 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 terperinciBAB III METODOLOGI PENELITIAN
38 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Peramalan, Curah Hujan, Knowledge Discovery in Database, Jaringan Saraf Tiruan, Backpropagation, Optimalisasasi Backpropagation Pengumpulan
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 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 terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
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 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 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 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 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 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 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 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 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 terperinciStudi Modifikasi standard Backpropagasi
Studi Modifikasi standard Backpropagasi 1. Modifikasi fungsi objektif dan turunan 2. Modifikasi optimasi algoritma Step Studi : 1. Studi literatur 2. Studi standard backpropagasi a. Uji coba standar backpropagasi
Lebih 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 terperinciBAB III ANALISIS DAN PERANCANGAN
32 BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dibahas tentang analisis sistem melalui pendekatan secara terstruktur dan perancangan yang akan dibangun dengan tujuan menghasilkan model atau representasi
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 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 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 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 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 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 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 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 terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Pegawai atau karyawan merupakan
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 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 terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
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 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 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 terperinciKata Kunci: Jaringan Syaraf Tiruan, Metode Backpropagation, penyakit saluran pernafasan.
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 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 terperinciPERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION
PERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION (Forecast The Number of Vehicle in Jakarta Using Backpropagation Neural Net ) Zumrotus Sya diyah Universitas Darussalam Ambon,
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 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 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 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 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 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 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 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 terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Barcode Salah satu obyek pengenalan pola yang bisa dipelajari dan akhirnya dapat dikenali yaitu PIN barcode. PIN barcode yang merupakan kode batang yang berfungsi sebagai personal
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 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 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 terperinciLEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA
LEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA 1,2,3 Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara e-mail: edgar.audela.bb@students.usu.ac.id,
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 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 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 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 terperinciBAB III. METODOLOGI. kegiatan manusia membuat penelitian dengan domain teknik informatika
BAB III. METODOLOGI 3.1. Kerangka Pikir Teknik informatika yang memiliki andil yang cukup besar dalam berbagai kegiatan manusia membuat penelitian dengan domain teknik informatika merupakan hal yang menarik
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