AKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA
|
|
- Liani Kurniawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 AKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA Aris Puji Widodo, Suhartono 2, Eo Adi Sarwoo 3, dan Zulfia Firdaus 4,2,3,4 Departemen Ilmu Komputer/Informatia, Faultas Sains dan Matematia Universitas Diponegoro arispw@gmail.com Abstra Permasalahan ang bana terjadi pada Perusahaan Daerah Air Minum (PDAM) adalah mengenai etersediaan produsi air bersih untu dapat memenuhi ebutuhan pelanggan secara bai. Permasalahan ini terjadi diantarana diaibatan dengan adana peningatan jumlah pelanggan ang mengaibatan permintaan aan air bersih juga meningat, dan fator ehilangan air, sehingga pendistribusian air tida berjalan dengan bai. Oleh arena itu diperluan sebuah ajian sebagai pertimbangan untu memberian solusi mengenai predisi produsi air bersih di PDAM. Studi asus ang digunaan pada penelitian adalah PDAM Purwa Tirta Dharma Kabupaten Grobogan. Penelitian ini menggunaan metode Jaringan Saraf Tiruan Bacpropagation. Data PDAM ang digunaan adalah meliputi data fator-fator ang mempengaruhi pada produsi air bersih, diantarana jumlah pelanggan, jumlah air terjual, jumlah ehilangan air dan jumlah debit sumber air. Penelitian ini menggunaan data laporan bulanan 5 tahun terahir (Januari 20 s/d Desember 205). Data ang digunaan dibagi menjadi 2, aitu 70% untu pelatihan dan 30% untu pengujian. Jaringan terbai diambil dari nilai Mean Square Error (MSE) pelatihan dan pengujian ang terecil. Esperimen ang dilauan pada penelitian ini menggunaan scenario dengan cara melauan ombinasi antara hidden neuron dengan alpha. Hasil esperimen ang telah dilauan, maa diperoleh nilai MSE pelatihan rata-rata sebesar 0,009538, MSE pengujian rata-rata sebesar 0,050373, dan nilai aurasina sebesar 95,93%. Kata unci: Jaringan Saraf Tiruan, Bacpropagation, Hidden Neuron, Alpha, dan PDAM.. Pendahuluan PDAM merupaan salah satu unit usaha mili daerah ang bergera dalam distribusi air bersih bagi masaraat umum. Masalah ang dihadapi dari piha PDAM Purwa Tirta Dharma juga beragam, ini terait dengan fator-fator ang mempengaruhi perusahaan dalam memprodusi air bersih, antara lain jumlah pelanggan ang selalu meningat setiap bulanna, hal ini tentu membuat piha PDAM harus berupaa untu memasimalan jumlah produsi air ang dihasilan. Fator NRW (Non Reserview Water) hal ini beraitan dengan hilangna air ang telah diprodusi PDAM, ehilangan air PDAM Purwa Tirta Dharma terait dengan air ang tida sampai e pelanggan, sampai saat ini PDAM Purwa Tirta Dharma telah menjual air sebana m 3. Kehilangan air sebesar 36,86% dari total produsi air ang telah dihasilan aitu ,20 m 3, nilai ini masih lebih tinggi dibandingan dengan standar ang telah ditentuan oleh pemerintah sebesar 20%. Hal-hal ang menebaban tinggina ehilangan air di PDAM Purwa Tirta Dharma antara lain, ebocoran pipa saluran, rusana water meter pada bendunganbendungan sumber air bau, serta SDM ang belum memadai. Piha PDAM telah berupaa menanggulangi masalah ini dengan memperbaii pipa saluran dan juga memperbaharui water meter, memberian pelatihan epada seluruh pegawaina, tetapi mesipun telah berupaa sebai mungin, masih ada masalah ang lain terait dengan hilangna air ang telah diprodusi PDAM, aitu ang baru-baru ini terjadi adalah asus pencurian air ang dilauan oleh onum-onum tida bertanggung jawab dengan cara memotong pipa diluar meteran emudian disaluran e dalam rumah pelanggan []. Hal ini tentu menjadi masalah besar bagi PDAM Purwa Tirta Dharma arena harus menderita erugian ang ta sediit. Ketia PDAM masih mengalami masalah ehilangan air ini, maa pendistribusian air e pelanggan aan terhambat. Sehingga ta hana piha PDAM saja ang merasa dirugian, tetapi dari piha pelanggan tentu juga aan merasa rugi. Dengan adana beberapa masalah ang dihadapi, salah satu bahan ajian sebagai masuan untu mengetahui produsi air PDAM pada bulan-bulan beriutna, maa PDAM Purwa Tirta Dharma sebagai perusahaan pemerintah penedia air bersih Kabupaten Grobogan memerluan predisi produsi air bersih masaraat Grobogan. Predisi tersebut dapat digunaan sebagai acuan dalam menentuan ebijaan dalam bidang produsi air. Predisi dapat dihitung menggunaan berbagai metode, salah satu metode predisi ang sering digunaan dan berembang saat ini adalah 79
2 Aris Puji Widodo, Suhartono, Eo Adi Sarwoo,Zulfia Firdaus (Aurasi Model Predisi Metode.) bacpropagation. Mesipun memilii beberapa elemahan seperti hasil pelatihan ang tida onstan dan tida dietahui secara detail bagaimana hasil predisi diperoleh, arena metode ini tida dapat memberian informasi mengenai bobot ang paling berpengaruh diantara pola inputanna, namun metode ini juga memilii elebihan. Kelebihan metode ini mampu memformulasian pengalaman dan pengetahuan peramal, serta sangat flesibel dalam perubahan aturan periraan [2]. Dalam penelitian sebelumna, terait dengan predisi produsi air bersih PDAM Samarinda menggunaan bacpropagation didapatan orelasi ang bai aitu sebesar 0,949. Namun dataset ang digunaan terbatas hana berupa laporan tahunan produsi air mulai tahun sehingga urang menunjuan trend ang realistis dan urang omprehensif arena hana melibatan satu parameter aitu jumlah produsi air sebagai input [3]. Penelitian lainna, ang dilauan oleh Apriliah, Waan Firdaus Mahmud, dan Agus Wahu Widodo mengenai periraan penjualan beban listri menggunaan jaringan saraf tiruan resilent bacpropagation (RPROP) menghasilan presentasi rata-rata error antara data predisi dengan data sebenarna adalah 0,297% untu unit Blimbing,,743% untu unit Dinoo, 0,597% untu unit ota dan 0,388% untu unit Kebon Agong [4] Berdasaran penelitian ang telah diberian diatas, dapat dietahui bahwa jaringan saraf tiruan menggunaan metode bacpropagation menghasilan tingat aurasi tinggi sehingga sangatlah tepat digunaan dalam melauan predisi. Oleh arena itu pada penelitian ini, aan dilauan pembuatan model predisi untu produsi air bersih PDAM dengan menggunaan scenario melauan ombinasi antara hidden neuron dengan alpha guna memperoleh nilai MSE pelatihan dan pengujian terecil, serta dilauan penguuran aurasina. 2. Landasan Teori Jaringan Saraf Tiruan Bacpropagation Jaringan saraf tiruan adalah sistem pemroses informasi ang memilii arateristi mirip dengan jaringan saraf biologi. Jaringan saraf tiruan ditentuan oleh 3 hal aitu arsitetur jaringan, metode untu menentuan bobot penghubung, serta fungsi ativasi [7]. Bacpropagation merupaan salah satu model jaringan saraf tiruan. Bacpropagation merupaan model neural networ dengan bana lapisan ang sering digunaan pada periraan time series. Algoritma pembelajaran bacpropagation mengatifan neuron-neuron pada penambatan maju menggunaan fungsi atifasi ang dapat dideferensialan untu mendapatan error output. Kemudian error output ini digunaan untu mengubah nilai bobot-bobotna earah mundur. Modifiasi perubahan bobot dilauan untu menurunan esalahan ang terjadi [8] Algoritma pelatihan bacpropagation adalah sebagai beriut [7]: a. Langah 0 : Inisialisasi semua bobot dengan bilangan aca ecil, epoch, tentuan laju pembelajaran (α), tentuan jumlah unit pada laar tersembuni ( p ) serta tentuan ondisi penghentian. Kondisi penghentian berupa masimum max epoch dan error target. b. Langah : Jia epoch max epoch dan error target < MSE, lauan langah 2 9. c. Langah 2 : Untu setiap pasang data pelatihan ( sampai dengan a dimana a adalah jumlah data pelatihan), lauan langah 3 8. d. Fase I : Propagasi maju Langah 3 : Tiap unit masuan menerima sinal dan menerusanna e unit tersembuni di atasna. Langah 4 : Hitung semua eluaran di unit tersembuni z j (j =, 2,..., p) z _ net j v j n 0 x i i v ji z j f ( z _ net j ) z _ net j e Langah 5 : Hitung semua eluaran jaringan di unit ( =, 2,..., m) p _ net w 0 z j j w j f ( _ net ) _ net e e. Fase II : Propagasi mundur Langah 6 : Hitung fator δ unit eluaran berdasaran esalahan di setiap unit eluaran ( =, 2,.., m) ( t ) f ' ( _ net ) ( t Hitung suu perubahan bobot percepatan α w j z j ; =, 2,..., m ; j = 0,,..., p ) ( w j dengan laju Langah 7 : Hitung fator δ unit tersembuni berdasaran esalahan di tiap unit tersembuni z j (j =, 2,.., p) _ net m j w j j _ net j f '( z _ net j ) _ net j z j ( z j ) Hitung suu perubahan bobot v ji dengan laju percepatan α ) 80
3 Jurnal Matematia Vol 20, No. 2, Agustus 207 : v ji j x i ; j =, 2,..., p ; i = 0,,..., n f. Fase III : Perubahan bobot Langah 8 : Hitung semua perubahan bobot Perubahan bobot garis ang menuju e unit eluaran w j ( baru ) w j ( searang ) w j ; =, 2,..., m ; j = 0,,..., p Perubahan bobot garis ang menuju e unit tersembuni : v j ( baru ) v j ( searang ) v ji ; j =, 2,..., p ; i = 0,,..., n g. Langah 9 Perbaharui nilai epoch epoch epoch dan hitung mean squared error (MSE) a 2 ( t ) MSE a Momentum Penambahan momentum dimasudan untu menghindari perubahan bobot ang mencolo aibat adana data ang sangat berbeda dengan ang lain. Apabila beberapa data terahir ang diberian e jaringan memilii pola serupa (berarti arah gradien sudah benar), maa perubahan bobot dilauan secara cepat. Namun apabila data terahir ang dimasuan memilii pola ang berbeda dengan pola sebelumna, maa perubahan dilauan secara lambat [7]. Rumus momentum sebagai beriut [7] : dan 3. Metode Arsitetur JST Bacpropagation ang digunaan pada sistem ini terdiri dari 3 laer aitu input laer, hidden laer, dan output laer. Pengumpulan Data Data ang digunaan pada Perangat Luna Predisi Produsi Air Bersih PDAM menggunaan Jaringan Saraf Tiruan Metode Bacpropagation merupaan data dari tahun 20 hingga tahun 205 sebana 60 data ang diperoleh dari laporan bulanan Kantor PDAM Purwa Tirta Dharma Kab. Grobogan. Preprocessing Data Langah aitu mapping data Pada tahap mapping data dilauan rancangan pola data sesuai arsitetur pada metode bacpropagation dengan 4 unit input (x i) dan unit target ( t). Rancangan data diperoleh dari laporan data PDAM Purwa Tirta Dharma, dengan jumlah pelanggan sebagai x, jumlah air terjual sebagai x 2, jumlah ehilangan air sebagai x 3, jumlah debit sumber air sebagai x 4 dan jumlah produsi air sebagai t. Langah 2 aitu normalisasi data ang telah dipetaan e dalam arsitetur jaringan dengan rumus beriut: 0,8( x x min ) = 0, xmax x min Langah 3, aitu identifiasi data latih dan data uji menggunaan perbandingan 70:30. 70% untu data latih dan 30% untu data uji. Gambar 3. Arsitetur JST Bacpropagation Pelatihan dan Pengujian Proses pelatihan dan proses pengujian dilauan berdasaran tahapan-tahapan ang telah disebutan sebelumna. Proses pelatihan ang telah dilauan menghasilan bobot-bobot ang nantina aan dipaai pada proses pengujian. Hasil dari proses pengujian berupa nilai Mean Average Precentage Error (MAPE) dengan rumus : n x t t MAPE= t= x t 00% n Nilai MAPE digunaan untu menghitung aurasi. 4. Hasil dan Pembahasan Esperimen ang dilauan pada penelitian ini menggunaan scenario dengan cara melauan ombinasi hidden neuron dengan alpha. Nilai hidden neuron ang digunaan aitu 6 2 sedangan nilai laju pembelajaran ang diuji aitu Epoch 0000 dan toleransi error 0.00 Hasil esperimen ombinasi hidden neuron dan aloha diberian pada Tabel 4.. Tabel 4., Hasil Kombinasi hidden neuron dan alpha. No Alpha Hidden MSE MSE Neuron Pelatihan Pengujian 0, 6 0, , ,2 6 0,0594 0, ,3 6 0, , ,4 6 0, , ,5 6 0, , ,6 6 0, , ,7 6 0, , ,8 6 0, , ,9 6 0, , , 7 0, , ,2 7 0, , ,3 7 0,0555 0, ,4 7 0, , ,5 7 0, , ,6 7 0, ,
4 MSE Pengujian MSE Pelatihan Aris Puji Widodo, Suhartono, Eo Adi Sarwoo,Zulfia Firdaus (Aurasi Model Predisi Metode.) No Alpha Hidden Neuron MSE Pelatihan MSE Pengujian 6 0,7 7 0, , ,8 7 0, , ,9 7 0, , , 8 0,064 0, ,2 8 0, , ,3 8 0, , ,4 8 0, , ,5 8 0, , ,6 8 0, , ,7 8 0, , ,8 8 0, , ,9 8 0, , , 9 0, , ,2 9 0, , ,3 9 0, , ,4 9 0, , ,5 9 0, , ,6 9 0, , ,7 9 0, , ,8 9 0, , ,9 9 0, , , 0 0, , ,2 0 0, , ,3 0 0, , ,4 0 0, , ,5 0 0, , ,6 0 0, , ,7 0 0, , ,8 0 0, , ,9 0 0, , , 0,0284 0, ,2 0, , ,3 0, , ,4 0, , ,5 0, , ,6 0, , ,7 0, , ,8 0, , ,9 0, , , 2 0, , ,2 2 0,0833 0, ,3 2 0, , ,4 2 0, , ,5 2 0, , ,6 2 0, , ,7 2 0, , ,8 2 0, , ,9 2 0, , Berdasaran hasil esperimen ombinasi alpha dan hidden neuron diatas, maa diperoleh nilai MSE terecil pada ombinasi variabel pelatihan alpha 0,7 dan hidden neuron 7, sehingga ombinasi ini digunaan sebagai ombinasi variabel untu proses selanjutna aitu proses predisi pengaruh dari alpha dan hidden neuron terhadap MSE pelatihan dan MSE pengujian digambaran pada grafi Gambar 4.. dan Gambar 4. Grafi Pengaruh Alpha dan Hidden Neuron terhadap MSE Pelatihan Berdasaran grafi diatas dapat diberian esimpulan bahwa nilai MSE pelatihan aan semain rendah seiring dengan enaian nilai alpha dan jumlah hidden neuron. Nilai alpha berpengaruh terhadap nilai MSE pelatihan, hal ini diarenaan fungsi dari nilai alpha untu mempercepat onvergensi. Konvergensi ini berpengaruh pada nilai output ang dihasilan, bila nilai onvergensi tercapai maa selisih nilai output dengan data atual aan beda tipis atau bahan nilaina bisa sama sehingga nilai MSE pelatihan ang dihasilan semain rendah. Sedangan jumlah hidden neuron berpengaruh pada error ang dihasilan, semain besar jumlah hidden neuron maa semain ecil error ang dihasilan [9] Alpha Hidden Neuron 6 Hidden Neuron 7 Hidden Neuron 8 Hidden Neuron 9 Hidden Neuron 0 Hidden Neuron Hidden Neuron Alpha Hidden Neuron 6 Hidden Neuron 7 Hidden Neuron 8 Hidden Neuron 9 Hidden Neuron 0 Hidden Neuron Hidden Neuron 2 Gambar 4.2. Grafi Pengaruh Alpha dan Hidden Neuron terhadap MSE Pengujian Berdasaran Gambar 4.. dan 4.2. mengenai pengaruh alpha dan hidden neuron terhadap nilai MSE pelatihan dan MSE pengujian dapat disimpulan bahwa tida terdapat orelasi ang onstan antara alpha dan jumlah hidden neuron dengan nilai MSE. Kombinasi variable pelatihan, jumlah data dan inisialisasi bobot awal jaringan aan mengaibatan nilai MSE terendah dapat diperoleh pada nilai alpha dan jumlah hidden neuron ang tida selalu sama. Esperimen Aurasi Sistem
5 Jul-4 Aug-4 Sep-4 Oct-4 Nov-4 Dec-4 Jan-5 Feb-5 Mar-5 Apr-5 Ma-5 Jun-5 Jul-5 Aug-5 Sep-5 Oct-5 Nov-5 Dec-5 Jurnal Matematia Vol 20, No. 2, Agustus 207 : Kombinasi variabel ang telah dihasilan dari esperimen sebelumna maa selanjutna aan dilauan esperimen aurasi sistem. Aurasi sistem didapatan dengan cara 00% diurangi dengan nilai MAPE. Nilai MAPE pada penelitian ini sebesar: MAPE = ( , , , , (Xn Yn) ) , ,0 Xn 8 = 4,07 % Produsi Air/m Sehingga didapatan aurasi sistem sebesar: Accurac = 00% 4, 07 % = 95, 93% Data Atual Bulan/ Tahun Data Predisi Hasil predisi dibandingan dengan data atual diberian pada Tabel 4.2. Tabel Perbandingan Hasil Predisi dengan Data Atual No Bulan Nilai Target Nilai Hasil Juli , ,32 2 Agustus , ,56 3 September , ,06 4 Otober ,2 4760,45 5 November , ,29 6 Desember , ,02 7 Januari , ,22 8 Februari , ,04 9 Maret , ,2 0 April , ,74 Mei , ,66 2 Juni , ,03 3 Juli , ,50 4 Agustus , ,44 5 September , ,56 6 Otober , ,68 7 November , ,08 8 Desember , ,03 Untu perbandingan data hasil predisi dari model dengan data atual dapat dilihat pada grafi Gambar 4.3 Gambar 4.3. Grafi Perbandingan Nilai Target Dengan Nilai Hasil Predisi Model 5. Kesimpulan Kesimpulan ang dapat diambil dari hasil penelitian adalah sebagai beriut: Pelatihan dengan nilai MSE terendah pada model predisi berada pada nilai variabel pelatihan alpha 0,7, dengan jumlah hidden neuron sebana 7, momentum sebesar 0,7, masimal epoch 0000 dengan toleransi error 0,00. Lamana watu pelatihan tersebut membutuhan durasi.505 deti. MSE pelatihan ang dihasilan sebesar 0, dan MSE pengujian sebesar 0, dengan aurasi model predisi ang dihasilan sebesar 95,93%. DAFTAR PUSTAKA [] D. Agus dan A. Hazami, Koran Grobogan, Kamis Mei 205. [Online]. Available: [2] I. M. Mataram, Peramalan Beban Hari Libur Menggunaan Artificial Neural Networ, Jurnal Teni Eletro, pp , [3] S. Nindita dan S. Nur, Sistem Peralaman Jumlah Produsi Air PDAM Samarinda Menggunaan Jaringan Saraf Tiruan Bacpropagation, Jurnal EKSPONENSIAL Volume 3, 202. [4] A. W. Mahmud dan A. Widodo, Periraan Penjualan Beban Listri Menggunaan Jaringan Saraf Tiruan Resilent Bacpropagation (RProp), Jurnal Informatia, pp. 4-47, [5] H. Kusnoputranto, Kesehatan Lingungan, Jaarta: Departemen P&K, UI,
6 Aris Puji Widodo, Suhartono, Eo Adi Sarwoo,Zulfia Firdaus (Aurasi Model Predisi Metode.) [6] J. S. Slamet, Kesehatan Lingungan, Yogaarta: Gadjah Mada Universit, [7] J. J. Siang, Jaringan Saraf Tiruan dan Pemrograman menggunaan MATLAB, Yogaarta: ANDI, [8] D. Kusumadewi, Artificial Intelegence Teni dan Apliasi, Yogaarta: Graha Ilmu, [9] N. U. Nimah, C. Dewi dan I. Cholissodin, Predisi Kebutuhan Air PDAM Berdasaran Jumlah Pelanggan Menggunaan Al-Alaoui Bacpropagation, pp. -8,
khazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih terperinciSistem Peramalan Jumlah Produksi Air PDAM Samarinda Menggunakan Jaringan Syaraf Tiruan Backpropagation
Sistem Peramalan Jumlah Produsi Air PDAM Samarinda Menggunaan Jaringan Syaraf Tiruan Bacpropagation Anindita Septiarini 1 dan Nur Sya baniah 2 1 Program Studi Ilmu Komputer FMIPA, Universitas Mulaarman
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS 1 Ihwannul Kholis, 2 Ahmad Rofii. 1 Universitas 17 Agustus 1945 Jaarta,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belaang Di aman searang sebuah adal yang tersusun rapi merupaan ebutuhan bagi setiap individu. Namun masalah penyusunan sebuah adal merupaan sebuah masalah umum yang teradi,
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.
Lebih terperinci1. Pendahuluan Jaringan syaraf tiruan ( Artificial Neural Networ ) adalah suatu tenologi omputasi yang berbasis pada model syaraf biologis dan mencoba
JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI METODE PERAMALAN PADA PERHITUNGAN TINGKAT SUKU BUNGA PINJAMAN DI INDONESIA Nurmalasari Rusmiati 1 Sistem Informasi, Faultas Ilmu Komputer, Universitas Gunadarma
Lebih terperinciNeural Network menyerupai otak manusia dalam dua hal, yaitu:
2.4 Artificial Neural Networ 2.4.1 Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat
Lebih terperinciBAB 2 TEORI PENUNJANG
BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan
Lebih terperinciPENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Wahyudi, Sorihi, dan Iwan Setiawan. Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang e-mail : wahyuditinom@yahoo.com.
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETWORK DAN PRINCIPAL COMPONENT ANALYSIS
Jurnal Teni dan Ilmu Komputer SISTEM PENGENALAN AJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETORK DAN PRINCIPAL COMPONENT ANALYSIS FACE RECOGNITION SYSTEM USING BACKPROPAGATION ARTIFICIAL
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciJARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA
JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,
Lebih terperinciPENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB
PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat
Lebih terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG Oleh : M.Rizi.H.S, Andri Heryandi,S.T, Bambang Siswoyo,Ir,M.Si Jl. Dipati Uur Bandung Teni Informatia Universitas
Lebih terperinciSistem Pendukung Keputusan Penerima Beasiswa SMK Menggunakan Metode Backpropagation
Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi Sistem Penduung Keputusan Penerima Beasiswa SMK Menggunaan Metode Bacpropagation Teti Rohaeti 1, Yoyon Kusnendar Suprapto 2, Eo Mulyanto 3
Lebih terperinciISSN: TEKNOMATIKA Vol.1, No.2, JANUARI
ISSN: 1979-7656 TEKNOMATIKA Vol.1, No.2, JANUARI 2009 25 PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN Bambang Yuwono Jurusan Teni Informatia UPN Veteran
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION
Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION Wahyudi Setiawan
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih terperinciModel Pembelajaran Off-Line Menggunakan Jaringan Syaraf Tiruan Untuk Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teknik Elektronika PENS 2009
Model Pembelaaran Off-Line Menggunaan Jaringan Syaraf Tiruan Untu Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teni Eletronia PENS 2009 Arie Setya Wulandari#, Eru Puspita S.T., M.Kom#2 # Jurusan
Lebih terperinciDany Candra Febrianto ) dan Hindayati Mustafidah )
Penerapan Jaringan Saraf Tiruan dengan Metode Pembelaaran Bacpropagation untu Mengetahui Tingat Kualifiasi Calon Siswa pada Sistem Informasi Penerimaan Siswa Baru di MAN 2 Banarnegara (Application of Artificial
Lebih terperinciAplikasi Neural-Fuzzy pada Regresi Interval untuk Data Time Series
Apliasi Neural-Fuzzy paa Regresi Interval untu Data Time Series Sri Kusumaewi Jurusan Teni Informatia, Universitas Islam Inonesia, Yogyaarta Jl. Kaliurang K, 4, Yogyaarta (04 E-mail : cicie@fti.uii.ac.i
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING
APLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING Hendra William *), Achmad Hidayatno, and Aub Aulian Zahra Jurusan Teni Eletro, Universitas Diponegoro
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciPENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT
PENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT Oleh : DONNY WAHYU SAPUTRO G06499031 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciPERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION
PERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION Wellie Sulistanti Abstract- Tuuan dari penelitian ini untu mengapliasian cara era aringan syaraf tiruan dengan menggunaan
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
Lebih terperinciPelatihan Feedforward Neural Network Menggunakan PSO untuk Prediksi Jumlah Pengangguran Terbuka di Indonesia
Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 2017, hlm. 1260-1269 http://j-ptii.ub.ac.id Pelatihan Feedforward Neural Networ Menggunaan PSO untu Predisi
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciPERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI
PERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
MAKALAH SEMINAR TUGAS AKHIR Peramalan Kebutuhan Beban Janga Pende Menggunaan Jaringan Syaraf Tiruan Bacpropagation Oleh : Dinar Atia Sari (L2F002572) Jurusan Teni Eletro Faultas Teni Universitas Diponegoro
Lebih terperinciAPLIKASI WAVELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES. : Agus Sumarno NRP :
APLIKASI WAELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES Nama : Agus Sumarno NRP : 06 00 706 Jurusan : Matematia Dosen Pembimbing : Drs. Daryono Budi Utomo, M.Si Abstra Model time series
Lebih terperinciPENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER
PENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER Wiaria Gazali 1 ; Haryono Soeparno 2 1 Jurusan Matematia, Faultas Sains dan Tenologi, Universitas Bina Nusantara Jln. K.H. Syahdan No. 9, Palmerah,
Lebih terperinciSistem Informasi Peramalan Beban Listrik Jangka Panjang di Kabupaten Jember Menggunakan JST Backpropagation
1 Sistem Informasi Peramalan Beban Listri Janga Panang di Kabupaten Jember Menggunaan JST Bacpropagation Dodi Setiabudi Abstra Kebutuhan energi listri sebagai salah satu infrastrutur penting sangat diutamaan.
Lebih terperinciEstimasi Inflasi Wilayah Kerja KPwBI Malang Menggunakan ARIMA-Filter Kalman dan VAR-Filter Kalman
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) 337-35 (31-98X Print) A-1 Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunaan ARIMA-Filter Kalman dan VAR-Filter Kalman Popy Febritasari, Erna Apriliani
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN POLA GEOMETRI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Muhamad Tonovan *, Achmad Hidayatno **, R. Rizal Isnanto ** Abstra - Pengenalan waah adalah
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Jadwal Secara Umum Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian watu berdasaran rencana pengaturan urutan erja, daftar atau tabel egiatan
Lebih terperinciMakalah Seminar Tugas Akhir. Aplikasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self Tuning Regulator (STR)
Maalah Seminar ugas Ahir Apliasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self uning Regulator (SR) Oleh : Muhammad Fitriyanto e-mail : D_3_N2@yahoo.com Maalah Seminar ugas Ahir Apliasi
Lebih terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
Lebih terperinci4. 1 Spesifikasi Keadaan dari Sebuah Sistem
Dalam pembahasan terdahulu ita telah mempelajari penerapan onsep dasar probabilitas untu menggambaran sistem dengan jumlah partiel ang cuup besar (N). Pada bab ini, ita aan menggabungan antara statisti
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciPENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI
PENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciPENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Sutino 1, Helmie Arif Wibawa 2, Priyo Sidi Sasongo 3 123 Jurusan Ilmu Komputer/Informatia, FSM,
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciBAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN
BAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN Kompetensi : 1. Mahasiswa memahami onsep pembelaaran dalam JST Sub Kompetensi : 1. Dapat mengetahui prinsip algoritma Perceptron 2. Dapat mengetahui
Lebih terperinciSTUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT
TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciSTUDI KOMPARASI IMPLEMENTASI JARINGAN BASIS RADIAL DAN FUZZY INFERENCE SYSTEM TSK UNTUK PENYELESAIAN CURVE FITTING
STUDI KOPARASI IPEENTASI JARINGAN BASIS RADIA DAN FUZZY INFERENCE SYSTE TSK UNTUK PENYEESAIAN CURVE FITTING Sri Kusumadewi Teni Informatia Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyaarta cicie@fti.uii.ac.id
Lebih terperinciTEKNIK PERAMALAN TINGKAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN
TENI PERAMALAN TINGAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN Sri Mulyana Program Studi Ilmu omputer F MIPA UGM Seip Unit III Yogyaarta Telp (0274)546194 e-mail : smulyana@ugm.ac.id Abstra Tingat penualan
Lebih terperinciEstimasi Harga Saham Dengan Implementasi Metode Kalman Filter
Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter eguh Herlambang 1, Denis Fidita 2, Puspandam Katias 2 1 Program Studi Sistem Informasi Universitas Nahdlatul Ulama Surabaya Unusa Kampus B
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar ugas Ahir Simulasi Penapisan Kalman Dengan Kendala Persamaan Keadaan Pada Kasus Penelusuran Posisi Kendaraan (Vehicle racing Problem Iput Kasiyanto [], Budi Setiyono, S., M. [], Darjat,
Lebih terperinciADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoko Sumaryono ABSTRACT
Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 6 ADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoo Sumaryono ABSTRACT Noise is inevitable in communication
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR)
PENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR) Oleh: ¹ HERLY MARDANI (000298) ² BAMBANG SISWOYO,
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciKENDALI OPTIMAL PADA MASALAH INVENTORI YANG MENGALAMI PENINGKATAN
KENDALI OPTIMAL PADA MASALAH INVENTORI YANG MENGALAMI PENINGKATAN Pardi Affandi, Faisal, Yuni Yulida Abstra: Banya permasalahan yang melibatan teori sistem dan teori ontrol serta apliasinya. Beberapa referensi
Lebih terperinciMENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE
MENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE Desfrianta Salmon Barus - 350807 Jurusan Teni Informatia, Institut Tenologi Bandung Bandung e-mail: if807@students.itb.ac.id ABSTRAK
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciMakalah Seminar Tugas Akhir
Pengaturan Kecepatan Motor DC Menggunaan Jaringan Syaraf Tiruan Feedforward Bacpropagation Sorihi *, Wahyudi **, Iwan Setiawan ** Abstra - Jaringan syaraf bacpropagation merupaan aringan syaraf yang telah
Lebih terperinciPrediksi Perilaku Pola Pengunjung Terhadap Transaksi Pada Toko Buku Gramedia Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation
Predisi Perilau Pola Pengunjung Terhadap Transasi Pada Too Buu Gramedia Menggunaan Jaringan Syaraf Tiruan Metode Bac Propagation Iriansyah BM Sangadji Teni Informatia STT PLN Jl Lingar Luar Duri Kosambi
Lebih terperinciPEMODELAN OPTIMALISASI PRODUKSI UNTUK MEMAKSIMALKAN KEUNTUNGAN DENGAN MENGGUNAKAN METODE PEMROGRAMAN LINIER
PEMODELAN OPTIMALISASI PRODUKSI UNTUK MEMAKSIMALKAN KEUNTUNGAN DENGAN MENGGUNAKAN METODE PEMROGRAMAN LINIER Tantri Windarti Program Studi Sistem Informasi STMIK Surabaya Jl Raya Kedung Baru 98, Surabaya
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN
Ansari Predisi Kelulusan Mahasiswa Dengan Jaringan Syaraf Tiruan PREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN Rudy Ansari STMIK Indonesia Banarmasin e-mail: rudy.ansari@gmail.com ABSTRAK
Lebih terperinciAplikasi diagonalisasi matriks pada rantai Markov
J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan
Lebih terperinciStudi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya
Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id
Lebih terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
Lebih terperinciPrediksi Jumlah Kasus Demam Berdarah Dengue Menggunakan Jaringan Syaraf Tiruan (Studi Kasus daerah Kab. Sleman, Provinsi DIY)
Jurnal PROte Vol. 3 No. 1, 216 Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan Iis Hamsir Ayub Wahab Program Studi Teni Eletro Faultas Teni, Universitas Khairun Email: hamsir@unhair.ac.id
Lebih terperinciKAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Media Informatia, Vol. 5, No. 2, Desember 2007, 99-111 ISSN: 0854-4743 KAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Anita Desiani Jurusan Matematia,
Lebih terperinciHUBUNGAN PENERAPAN KAWASAN TANPA ROKOK (KTR) DENGAN PERILAKU MEROKOK MAHASISWA KESEHATAN MASYARAKAT DI KOTA SEMARANG
Volume, Nomor, Juli 6 (ISSN: 56-6) HUBUNGAN PENERAPAN KAWASAN TANPA ROKOK (KTR) DENGAN PERILAKU MEROKOK MAHASISWA KESEHATAN MASYARAKAT DI KOTA SEMARANG Firnanda Zia Azmi *) Tinu Istiarti **) Kusyogo Cahyo
Lebih terperinciPENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC. Oleh:
1 PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC Oleh: NURHADI SUSANTO G64103059 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
Lebih terperinciPENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU
PENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU Wahyudi 1, Adhi Susanto 2, Sasongo P. Hadi 2, Wahyu Widada 3 1 Jurusan Teni Eletro, Faultas Teni, Universitas Diponegoro, Tembalang,
Lebih terperinciTRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI
TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciII. DASAR TEORI I. PENDAHULUAN
IMPLEMENTASI JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK UNTUK MENDETEKSI GOLONGAN DARAH PADA MANUSIA M. Fuad Latief *, R. Rizal Isnanto, Budi Setiyono Abstra - Membran sel darah manusia mengandung bermacam-macam
Lebih terperinciPERHITUNGAN KEHILANGAN PRATEKAN (LOSS OF PRESTRESS) AKIBAT SUSUT DAN RANGKAK PADA BETON DENGAN MEMPERHITUNGKAN VARIABILITAS SIFAT-SIFAT BETON
PERHITUNGAN KEHILANGAN PRATEKAN (LOSS OF PRESTRESS) AKIBAT SUSUT DAN RANGKAK PADA BETON DENGAN MEMPERHITUNGKAN VARIABILITAS SIFAT-SIFAT BETON M. Sigit Darmawan Dosen Diploma Teni Sipil ITS Email: msdarmawan@ce.its.ac.id
Lebih terperinciVARIASI NILAI BATAS AWAL PADA HASIL ITERASI PERPINDAHAN PANAS METODE GAUSS-SEIDEL
SEMINAR NASIONAL PENDIDIKAN SAINS Peningatan Kualitas Pembelajaran Sains dan Kompetensi Guru melalui Penelitian & Pengembangan dalam Menghadapi Tantangan Abad-1 Suraarta, Otober 016 VARIASI NILAI BATAS
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
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 terperinciPENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION Praditya Firmansyah *, Wahyul Amien Syafei**, Iwan
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciPenggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler
Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciPENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursakti ( )
PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursati (13507065) Program Studi Teni Informatia, Seolah Teni Eletro dan Informatia, Institut Tenologi Bandung Jalan Ganesha No. 10 Bandung, 40132
Lebih terperinciPerhitungan Kehilangan Pratekan Total dengan Memakai Teori Kemungkinan ABSTRAK
Jurnal APLIKASI Volume 5, Nomor 1, Agustus 2008 Perhitungan Kehilangan Pratean Total dengan Memaai Teori Kemunginan M. Sigit Darmawan Dosen Jurusan Diploma Teni Sipil, FTSP - ITS Email: msdarmawan@ce.its.ac.id
Lebih terperinciPemodelan Dan Eksperimen Untuk Menentukan Parameter Tumbukan Non Elastik Antara Benda Dengan Lantai
Pemodelan Dan Esperimen Untu enentuan Parameter Tumbuan Non Elasti Antara Benda Dengan Lantai Puspa onalisa,a), eda Cahya Fitriani,b), Ela Aliyani,c), Rizy aiza,d), Fii Taufi Abar 2,e) agister Pengajaran
Lebih terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
Lebih terperinciEstimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga
JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,
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 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 terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciAPLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Proceeding Seminar dan Worshop Nasional Pendidian Teni Eletro (SWNE) FPTK Universitas Pendidian Indonesia APLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Lebih terperinciDeret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII
Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam
Lebih terperinci