BAB III ANALISA DAN PERANCANGAN SISTEM
|
|
- Liana Rachman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa Sistem Analisa sistem merupakan langkah awal yang dilakukan sebelum tahap implementasi. Analisa sistem pada penelitian ini meliputi: PENGUMPULAN DATA DATA PREPROCESSING DATA TRAINING DATA TESTING PEMBUATAN MODEL PROSES ANN MODEL HASIL KLASIFIKASI Gambar 3.1 Alur Sistem Klasifikasi Variabel Penelitian Penelitian diawali dengan pengumpulan fakta-fakta mengenai penyakit mata katarak dan gejalanya. Sesuai dengan penjelasan di dalam latar belakang, variabel dalam penelitian ini disebut fitur, fitur yang disertai anamnesa, pemeriksaan dokter/labolatorium dan pemeriksaan penunjang. Fitur dapat dilihat pada Tabel
2 Tabel 3.1. Fitur Penelitian A ANAMNESA B PEMERIKSAAN DOKTER / C PEMERIKSAAN PENUNJANG LABOLATORIUM 1. Jenis Kelamin 6. Radang Bilik Mata 14. Rw. Kehamilan Depan 2. Umur 7. Lensa Keruh Tidak Rata 15. Rw. Sakit Mata Uvetis 3. Kabur 8. Lensa Keruh Rata 16. Rw. Sakit Mata Glaucoma 4. Silau 9. Lensa Keruh Pencairan Cortex 17. Rw. Keluarga Tidak Bisa Melihat 5. Trauma 10. Mikroftalmia 18. Kelainan Jantung Bawaan 11. Mikrocepali 19. Gangguan Pendengaran 12. Tekanan Intra Okuli 20. Parasit Toxo Plasma Atau TIO 13. Antariar / Coklat 21. Robela / Campak 22. Cito Megalo Virus Pemetaan Rekam Medis Pasien Berisi data-data pasien diantaranya identitas pasien, anamnesa (gejala yang dirasakan pasien), pemeriksaan fisik (anamnesa), pemeriksaan laboratorium, diagnosis dokter, segala pelayanan dan tindakan medis yang diberikan kepada pasien. Rekam medis dalam penelitian ini khususnya pasien yang menderita katarak Sinilis dan Kongenital dari rumah sakit, seperti pada tabel
3 Tabel 3.2. Pemetaan Data Gejala Pasien No GEJALA PADA PASIEN KETERANGAN A No. Rek B Nama C Jenis Kelamin 0. Laki-Laki, 1. Perempuan D Umur 0>10 = 0 11 s/d 39 = = 2 E Kabur (0). Tidak (1). Iya F Silau (0). Tidak (1). Iya G Trauma (0). Tidak (1). Iya H Radang Bilik Mata Depan (0). Tidak (1). Iya I Lensa Keruh Tidak Rata (0). Tidak (1). Iya J Lensa Keruh Rata (0). Tidak (1). Iya K Lensa Keruh Pencairan Cortex (0). Tidak (1). Iya L Mikroftalmia (0). Tidak (1). Iya M Mikrocepali (0). Tidak (1). Iya N Tekanan Intra Okuli Atau TIO = = = 2 O Antariar / Coklat (0). Tidak (1). Iya P Rw. Kehamilan (0). Tidak (1). Iya Q Rw. Sakit Mata Uvetis (0). Tidak (1). Iya R Rw. Sakit Mata Glaucoma (0). Tidak (1). Iya S Rw. Keluarga Tidak Bisa Melihat (0). Tidak (1). Iya T Kelainan Jantung Bawaan (0). Tidak (1). Iya U Gangguan Pendengaran (0). Tidak (1). Iya V Parasit Toxo Plasma (0). Tidak (1). Iya W Robela / Campak (0). Tidak (1). Iya X Cito Megalo Virus (0). Tidak (1). Iya Y Hasil atau Output (-1). Sinilis (1). Kongenital 16
4 Pengumpulan Data Panyakit Katarak Data pendukung yang dibutuhkan pada penelitian ini adalah data pemeriksaan (klinis) pasien penderita katarak Sinilis dan Kongenital. Data-data tersebut berisi data dasar dari anamnesa, pemeriksaan dokter/labolatorium serta pemeriksaan penunjang (riwayat penyakit pasien dan keluarga pasien). Data didapatkan dari rekam medis pasien yang sudah memiliki diagnosis dokter spesialis penyakit mata di rumah sakit swasta di Pasuruan seperti pada tabel Data Preprocessing Data Preprocessing ini bertujuan untuk mentransformasikan data yaitu menyeragamkan data untuk semua fitur. Data yang tidak berupa angka perlu dilakukan konversi menjadi data biner. Misal data riwayat gangguan pendengaran 1 untuk iya dan 0 untuk tidak, data jenis kelamin yang umumnya berupa data tekstual laki-laki dan perempuan akan dikonversi menjadi laki-laki = 0 dan perempuan = 1. Untuk umur dikonversi menjadi 0 10 = 0, = 1 dan > 40 = 2, sedangkan untuk tekanan intra okuli atau tio dikonversi menjadi = 0, = 1, = 2 Selanjutnya semua data fitur akan dinormalisasi dalam rentang yang sama yaitu bernilai antara [0,1] seperti di tabel 3.3. Sedangkan data pada kolom Hasil atau output diagnosis hanya dirubah kedalam data angka saja karena ini menggambarkan kelas-kelas luaran, untuk katarak Kongenital = 1 dan katarak Sinilis = -1. Selanjutnya semua data fitur akan dinormalisasi dalam rentang yang sama yaitu bernilai antara [0,1] seperti pada tabel 3.4. Tabel 3.3 Contoh Data Sebelum Ditransformasikan. A B C D E F G H I J K L M N O P Q R S T U V W X Y 1 W L 25 Y T T Y T T T T 20 T T Y T T T Y T T T K 2 A L 30 Y Y T Y Y T T T 25 T T T T T T Y T T T K 3 S L 9 Y T T T Y T T Y 34 Y Y Y T T Y Y Y Y T S 4 K L 10 Y T T T T Y T Y 40 T Y Y T T Y Y Y Y Y S 5 I L 41 Y Y T Y Y T T T 35 T T T T T Y T T T T K N 17
5 Tabel 3.4 Contoh Hasil Transformasi Data. A B C D E F G H I J K L M N O P Q R S T U V W X Y 1 W A S K I ~ O Dataset Dataset adalah data yang telah ditransformasikan dan dimasukan kedalam tabel basis data. Total keseluruhan data yang tersedia adalah 217 yang akan dibagi menjadi dua yaitu: a. Pembelajaran / Training Dataset digunakan sebagai data pembelajaran / training dalam proses klasifikasi. Untuk data pembelajaran akan digunakan kurang lebih 80% dari data keseluruhan. b. Ujicoba / Testing Dataset digunakan sebagai data pengujian / testing dalam proses klasifikasi. Data ini harus benar-benar berbeda dari data pembelajaran untuk memenuhi aspek obyektifitas. Untuk data ujicoba akan digunakan 20% dari data keseluruhan Proses Artificial Neural Network Pada tahap ini merupakan tahap dimana Jaringan Syaraf Tiruan melakukan proses belajar / training dengan otomatis berdasarkan data pembelajaran sehingga proses pembelajaran ini dikenal sebagai model terawasi (supervised learning). Jaringan Syaraf Tiruan terdapat proses pembentukan konfigurasi nilainilai tiap bobot dari jaringan. Tujuan dariproses ini untuk mendapatkan nilai W atau bobot yang terbaik agar menghasilkan output yang sesuai atau mendekati dengan target [11]. Pada prosess Artificial Neural Network ini memiliki 2 step, antara lain: 18
6 A. Proses Pencarian Bobot Terbaik Data training akan diproses menggunakan Artificial Neural Network untuk ditentukannya nilai bobot terbaik yang kemudian bobot tersebut digunakan untuk proses pengujian (testing) Berikut adalah alur pelatihan menggunakan Artificial Neural Network model perceptron [14]: a. Inisialisasi seluruh bobot dan bias (biasanya=0). Set learning rate. (0 > 1). Set nilai threshold (θ) untuk fungsi aktivasi. b. Untuk setiap pasangan pembelajaran s-t, kerjakan: 1) Set aktivasi unit input, ditunjukkan dengan persamaan (3.1). Xi = Si... (3.1) 2) hitung respon untuk unit output, ditunjukkan dengan persamaan (3.2). y in = b + i x i w i... (3.2) 3) Masukkan ke dalam fungsi aktivasi. y = { 1, jika y in > θ 1, jika y in < θ Bandingkan nilai output jaringan y dengan target t. jika y t, lakukan perubahan bobot dan bias, ditunjukkan dengan persamaan (3.4). w i (baru) = w i (lama) + α t x i... (3.4) jika y = t, tidak ada perubahan bobot dan bias. w i (baru) = w i (lama) c. Lakukan iterasi terus-menerus sampai semua pola memiliki output jaringan yang sama seperti targetnya. Artinya jika seluruh ouput jaringan sama seperti target maka jaringan telah menyerupai pola dengan baik dan iterasi akan dihentikan. Berikut sebagian contoh implementasi ANN dengan menggunakan sebagian data dari data training : 19
7 a. Inisialisasi semua bobot dan bias (misalnya 1). Set Learning rate / apha (α) misalnya 0,5. Set nilai Threshold (θ) untuk fungsi aktifasi misalnya 2. b. Set aktivasi unit input dan nilai bias(1). Input = Xi Tabel 3.5 Sebagian Contoh Dari Data Training b A B C D E F G H I J K L M N O P Q R S T U T Ketetangan : b = bias t = target c. Hitung respon unit output dengan persamaan (3.2) atau dengan cara berikut : y in = (b*wb) + (x1*w1) + (x2*w2) + (xn*wn)... (3.5) contoh : y in = (1*1) + (1*1) + (2*1) + (1*1) + (1*1) + (0*1) + (1*1) +(1*1) + (0*1) + (0*1) + (0*1) + (0*1) + (0*1) + (0*1) + (0*1) + (0*1) + (0*1) + (0*1) + (1*1) + (0*1) + (0*1) + (0*1) = 9 d. Masukan ke dalam fungsi aktifasi. y = { 1, jika y in > θ 1, jika y in < θ Bandingkan nilai output jaringan y dengan target t. jika y = t maka tidak ada perubahan bobot. e. Hitung yin untuk data berikutnya menggunakan bobot yang sama. 20
8 y in = (1*1) + (1*1) + (0*1) + (1*1) + (0*1) + (0*1) + (0*1) +(1*1) + (0*1) + (0*1) + (1*1) + (1*1) + (1*1) + (1*1) + (1*1) + (0*1) + (0*1) + (1*1) + (1*1) + (1*1) + (1*1) + (1*1) = 14 f. Bandingkan nilai output jaringan y dengan target t (lihat langkah d ). jika y t maka lakukan perubahan bobot dengan persamaan 3.4. Wbaru = (1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1) + 0,5 * -1 * (1,1,0,1,0,0,0,1,0,0,1,1,1,1,1,0,0,1,1,1,1,1) = (1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1) + (-5,-5,0,- 5,0,0,0,-5,0,0,-5,-5,-5,-5,-5,0,0,-5,-5,-5,-5,5) = -4,-4,1,-4,1,1,1,-4,1,1,-4,-4,-4,-4,-4,1,1,-4,-4,-4,-4,-4. g. Lakukan perhitangan yin kembali menggunakan data yang sama dengan bobot baru. yin = (1*-4) + (1*-4) + (0*1) + (1*-4) + (0*1) + (0*1) + (0*1) + (1*-4) + (0*1) + (0*1) + (1*-4) + (1*-4) + (1*-4) + (1*- 4) + (1*-4) + (0*1) + (0*1) + (1*-4) + (1*-4) + (1*-4) + (1*-4) + (1*-4) =-72 h. Ulangi step d, e, f, dan g l. Lakukan iterasi terus-menerus sampai semua pola memiliki output jaringan yang sama seperti targetnya. Artinya jika seluruh ouput jaringan sama seperti target maka jaringan telah menyerupai pola dengan baik dan iterasi akan dihentikan. B. Implementasi Algoritma Artificial Neural Network. Setelah dilakukan proses pelatihan (training), akan diperoleh bobotbobot akhir (W) atau bobot terbaik. Bobot-bobot ini nantinya akan digunakan untuk melakukan pengujian. Alur pengujian pada sistem dapat dilihat pada Gambar
9 MULAI LOAD BOBOT (W) DARI PROSES DATA TRAINING SET AKTIFASI INPUT X i RESPON UNIT OUTPUT y in = b + i x i w i y = 1, IF y in > θ 1, IF y in < θ HASIL KLASIFIKASI SELESAI Gambar 3.2. Alur Pengujian (testing) 22
10 3.2. Perancangan Sistem Perancangan interface penting untuk menciptakan sistem berbasis web, karena akan menjadi dasar peletakan informasi dan fungsi-fungsi dari bagian sistem. Perencanaan antarmuka untuk halaman web seperti yang terlihat pada gambar 3.4 sebagai berikut. Gambar 3.3. Tampilan Interface Utama Keterangan: 1. Home. Halaman awal berisi sekilas info tentang katarak, mulai definisi katarak hingga faktor resiko kebutaan. 2. Dataset. Halaman yang menampilkan dataset yaitu data training dan data testing yang nantinya akan diproses dalam penelitaian ini. a. Data Training. Halaman ini hanya menampilkan data training yang akan dilakukan penelitian untuk mencari bobot terbaik. 23
11 b. Data Testing. Halaman ini hanya menampilkan data testing yang nantinya akan dilakukan penilitan yaitu pengujian sistem dengan menggunakan bobot terbaik untuk mengetahui tingkat keberhasilan. 3. Data fitur. Halaman ini menampilkan fitur-fitur apa saja yang digunakan dalam mengklasifikasikan penyakit mata katarak. 4. Klasifikasi. Pada halaman klasifikasi ini menampilkan hasil klasifikasi dari training, testing, dan data tunggal. a. Training. Halaman yang digunakan untuk menerima masukan dari pengguna berupa learning rate dan epoch. Ketika semua data ditentukan lalu diproses hingga akhir proses tersebut akan menampilkan waktu serta bobot-bobot terbaik di setiap fitur. b. Testing. Halaman ini menampilkan hasil waktu komputasi dan tingkat akurasi sistem. Sistem akan mengambil bobot terbaik yang diperoleh dari proses training sebelumnya. Setelah diproses Sistem akan mencatan nilai akurasi, presisi,dan recall selama proses testing tersebut waktu komputerisasi akan dicatat dan ditampilkan. c. Data Tunggal Halaman ini hanya dapat digunakan untuk satu data pasien. Pengguna memasukkan data pasien pada setiap fitur-fitur sesuai gejala, lalu klik proses diagnosis dan sistem akan menampilkan hasil klasifikasi berdasarkan data dari pasien. 24
KLASIFIKASI PENYAKIT MATA KATARAK BERDASARKAN KELAINAN PATOLOGIS DENGAN MENGGUNAKAN ALGORITMA LEARNING VECTOR QUANTIZATION
KLASIFIKASI PENYAKIT MATA KATARAK BERDASARKAN KELAINAN PATOLOGIS DENGAN MENGGUNAKAN ALGORITMA LEARNING VECTOR QUANTIZATION Rudi Hariyanto 1), Achmad Basuki 2), Rini Nur Hasanah 3) 1) 2) 3) Program Studi
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciKlasifikasi Penyakit Mata Katarak berdasarkan Kelainan Patologis dengan menggunakan Algoritma Learning Vector Quantization
Journal of Mechanical Engineering and Mechatronics Submitted : 2016-07-25 ISSN: 2527-6212, Vol. 1 No. 2, pp. 86-92 Accepted : 2016-08-15 2016 Pres Univ Press Publication, Indonesia Klasifikasi Penyakit
Lebih terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (Artificial Neural Network) Intelligent Systems Pembahasan Jaringan McCulloch-Pitts Jaringan Hebb Perceptron Jaringan McCulloch-Pitts Model JST Pertama Diperkenalkan oleh McCulloch
Lebih terperinciAplikasi Jaringan Syaraf Tiruan Untuk Penentuan Status Gizi Balita Dan Rekomendasi Menu Makanan Yang Dibutuhkan
119 Aplikasi Jaringan Syaraf Tiruan Untuk Penentuan Status Gizi Balita Dan Rekomendasi Menu Makanan Yang Dibutuhkan Fitri, Onny Setyawati, dan Didik Rahadi S Abstrak -Status gizi balita dapat ditentukan
Lebih terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Jaringan Syaraf Tiruan (artificial neural network), atau disingkat JST menurut Hermawan (2006, hlm.37) adalah sistem komputasi dimana arsitektur dan operasi
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisa Masalah Dinas Kesejahteraan Dan Sosial masih menggunakan Microsoft Word dan juga menggunakan buku besar dalam proses pencatatan dan diagnosa penyakit dan
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciKLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION A B S T R A K
KLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION Oleh : Gunawan Abdillah, Agus Komarudin, Rachim Suherlan A B S T R A K Kelainan jantung anak merupakan salah
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
39 BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisa Masalah Balai Pengobatan masih menggunakan Microsoft Word dan juga menggunakan buku besar dalam proses pencatatan dan mendiagnosa penyakit dan masih
Lebih terperinciAnalisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia
Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 2017 ISSN: 0852-730X Analisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia Muhammad Ulinnuha
Lebih terperinciIMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI
IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI Andi Harmin Program Studi : Teknik Komputer STMIK Profesional Makassar andiharmin1976@gmail.com
Lebih terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
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 terperinciDIAGNOSA GANGGUAN SALURAN PERNAFASAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
DIAGNOSA GANGGUAN SALURAN PERNAFASAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Bambang Yuwono 1), Heru Cahya Rustamaji 2), Usamah Dani 3) 1,2,3) Jurusan Teknik Informatika UPN "Veteran" Yogyakarta
Lebih terperinciAnalisis Jaringan Saraf Tiruan Pengenalan Pola Huruf Hiragana dengan Model Jaringan Perceptron
Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 017 ISSN: 085-70X Analisis Jaringan Saraf Tiruan Pengenalan Pola Huruf Hiragana dengan Model Jaringan Perceptron Irfan Ramadhani
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 terperinciKLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF
KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
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 terperinciSebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran
Sebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran Kecerdasan Buatan Pertemuan 11 Jaringan Syaraf Tiruan (Artificial Neural Network)
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciKOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciEKSPRESI EMOSI MARAH BAHASA ACEH MENGGUNAKAN ALGORITMA PERCEPTRON
EKSPRESI EMOSI MARAH BAHASA ACEH MENGGUNAKAN ALGORITMA PERCEPTRON Nurmasyitah 1, Mursyidah 2, Jamilah 3 Program Studi Teknik Multimedia dan Jaringan, Jurusan Teknologi Informasi dan Komputer, Politeknik
Lebih terperinciUKDW BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Bagi seseorang yang berprofesi sebagai dokter, kesalahan diagnosis suatu penyakit akan membawa dampak yang sangat fatal bagi pasiennya. Dalam kasus ini, penulis
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB 3 PEMBAHASAN. pelayanan kesehatan prima, Pt Binara Guna Mediktama pada tahun 1986 mendirikan
BAB 3 PEMBAHASAN 3.1 Rumah Sakit Pondok Indah 3.1.1 Latar Belakang Guna memenuhi kebutuhan masyarakat akan adanya rumah sakit swasta dengan pelayanan kesehatan prima, Pt Binara Guna Mediktama pada tahun
Lebih terperinciJARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS)
JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS) (Artificial Neural Networks) BAB I PENDAHULUAN 1.1 Sejarah JST JST : merupakan cabang dari Kecerdasan Buatan (Artificial Intelligence ) JST : meniru
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Mata adalah organ fotosensitif yang kompleks dan berkembang lanjut yang memungkinkan analisis cermat tentang bentuk, intensitas cahaya, dan warna yang dipantulkan
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 terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinciKLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem
Lebih terperinciSISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN
SISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN Ahyuna 1), Komang Aryasa 2) 1), 2) Jurusan Teknik Informatika, STMIK Dipanegara Makassar 3) Jl. Perintis
Lebih 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 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 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 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 terperinciKesehatan balita bisa diketahui salah satunya melalui penilaian status gizinya. Penelitian ini bertujuan untuk mempermudah
16 khazanah informatika Jurnal Ilmu Komputer dan Informatika 1* 1 1 Program Studi Informatika Universitas Muhammadiyah Surakarta Surakarta *fyai181@ums.ac.id Kesehatan balita bisa diketahui salah satunya
Lebih terperinciDeteksi Kanker Serviks ( Carsinoma Serviks Uteri ) pada Citra Hasil Rekaman CT-Scan Menggunakan Jaringan Syaraf Tiruan
Deteksi Kanker Serviks ( Carsinoma Serviks Uteri ) pada Citra Hasil Rekaman CT-Scan Menggunakan Jaringan Syaraf Tiruan Dewi Ari Nirmawaty, Prof. Dr. Ir Suhariningsih, Delima Ayu Saraswati ST. MT. Program
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 terperinciKomparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation
Komparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation DOSEN PEMBIMBING Prof. Dr. Moh. Isa Irawan, M.T. Dr. Imam Mukhlash,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. menggunakan teknik statistik, matematika, kecerdasan buatan, tiruan dan machinelearning
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data mining adalah kombinasi secara logis antara pengetahuan data, dan analisa statistik yang dikembangkan dalam pengetahuan bisnis atau suatu proses yang menggunakan
Lebih terperinciBAB 1 PENDAHULUAN. saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Cepatnya perubahan fluktuasi harga index saham membuat para pemegang saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung. Saham yang mempunyai
Lebih terperinciPenerapan E-Learning Berbasis Moodle Menggunakan Metode Problem Based Learning di SMK Negeri 1 Pasuruan Teguh Arifianto
Penerapan E-Learning Berbasis Moodle Menggunakan Metode Problem Based Learning di SMK Negeri 1 Pasuruan Teguh Arifianto Sistem Pendukung Keputusan Penentuan Sales Penerima Insentif Menggunakan Metode Simple
Lebih terperinciPROTOTYPE PENGATURAN LAMPU RUANG DENGAN JARINGAN SYARAF TIRUAN
PROTOTYPE PENGATURAN LAMPU RUANG DENGAN JARINGAN SYARAF TIRUAN Fatwa Yuniarti yuniarti_fatwa@yahoo.com Dosen Pembimbing : Dr. Haryanto, M.Pd, MT haryanto.ftuny@gmail.com Jurusan Pendidikan Teknik Elektro,
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 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 terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciGenerated by Foxit PDF Creator Foxit Software For evaluation only. BAB I PENDAHULUAN
1 BAB I PENDAHULUAN I.1 Latar Belakang Perkembangan teknologi khususnya komputer beberapa tahun terakhir ini sangat pesat. Pesatnya perkembangan juga dirasakan di berbagai disiplin ilmu termasuk kedokteran.
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 terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciBAB 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 terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
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 terperinciGambar 2.1 Neuron biologi manusia (Medsker & Liebowitz, 1994)
BAB 2 LANDASAN TEORI 2.1. Jaringan Saraf Biologi Manusia Otak manusia memiliki struktur yang sangat kompleks, serta memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang
Lebih terperinciz_in ( ) dan mengaplikasikan fungsi aktivasi untuk menghitung sinyal output ( ) Propagasi balik:
LAMPIRAN 4 Lampiran Algoritma aringan syaraf tiruan propagasi balik Langkah 0 Inisialisasi bobot Langkah Selama kondisi berhenti bernilai salah, lakukan langkah -9. Langkah Untuk setiap pasangan, lakukan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
Lebih terperinciPEMBUATAN PERANGKAT LUNAK PERAMALAN MENGGUNAKAN METODE ANN DENGAN MEMANFAATKAN LIBRARY ENCOG JAVA
PEMBUATAN PERANGKAT LUNAK PERAMALAN MENGGUNAKAN METODE ANN DENGAN MEMANFAATKAN LIBRARY ENCOG JAVA Nama : Resa Alfarisi NRP : 5207100100 Jurusan : Sistem informasi FTIF ITS Dosen Pembimbing 1 : Wiwik Anggraeni
Lebih terperinciBAB 1 PENDAHULUAN. Setiap orang, dari setiap golongan, selalu mendambakan tubuh yang sehat.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Setiap orang, dari setiap golongan, selalu mendambakan tubuh yang sehat. Permasalahan kesehatan adalah hal yang esensial bagi setiap orang, karena merupakan modal utama
Lebih terperinciANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU
ANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU Rosmelda Ginting 1*, Tulus 1, Erna Budhiarti Nababan 1 Program S2 Teknik Informatika
Lebih terperinciANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKAN WAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN KATUP JANTUNG PADA MANUSIA
ANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKAN WAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN KATUP JANTUNG PADA MANUSIA Sidang Tesis S2 Teknik Sistem Pengaturan FTI-ITS Surabaya EDY SETIAWAN
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kebutuhan akan piranti pengenal/pendeteksi yang handal sangat dibutuhkan. Pengembangan teknologi pengenalan yang berupa kecerdasan buatan (Artificial Intelligence)
Lebih terperinciBAB 1 PENDAHULUAN. 1 Universitas Kristen Maranatha. Gambar 1.1 : Ilustrasi jaringan syaraf manusia yang diadaptasi untuk ANN (Kriesel, 2011)
BAB 1 PENDAHULUAN 1.1 Latar Belakang Rentannya kesalahan yang dapat terjadi oleh pekerjaan yang dilakukan oleh manusia dalam menganalisa, atau ketika mencoba membangun relasi antar fitur yang berjumlah
Lebih terperinciPenggunaan Deep Learning untuk Prediksi Churn pada Jaringan Telekomunikasi Mobile Fikrieabdillah
ISSN : 2355-9365 e-proceeding of Engineering : Vol3, No2 Agustus 2016 Page 3882 Penggunaan Deep Learning untuk Prediksi Churn pada Jaringan Telekomunikasi Mobile Fikrieabdillah Ilmu Komputasi Universitas
Lebih terperinciBAB IV B METODE BELAJAR HEBBIAN SUPERVISED & CONTOH
BAB IV B METODE BELAJAR HEBBIAN SUPERVISED & CONTOH 4B. Jaringan Hebbian Kelemahan model McCulloch-Pitts : penentuan bobot garis dan bias secara analitik. Untuk masalah yang kompleks, hal ini akan sangat
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 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 terperinciDe Perceptron Aplikasi Market Basket Analysis berbasis web menggunakan Perceptron
De Perceptron Aplikasi Market Basket Analysis berbasis web menggunakan Perceptron oleh: Yulian Purnama Wim Permana 03/171209/PA/09787 03/165273/PA/09313 Ditujukan Kepada: Prof. Drs. H. Subanar Ph.D. selaku
Lebih terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi Penelitian merupakan acuan dalam pelaksanaan sebuah penelitian. Metodologi penelitian berisi rencana kerja yang berurutan agar hasil yang didapatkan sesuai dengan
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
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 terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciBAB II TEORI DASAR. Gambar 2.1 Anatomi Jantung
4 BAB II TEORI DASAR 2.1. Jantung Jantung merupakan otot tubuh yang bersifat unik karena mempunyai sifat membentuk impuls secara automatis dan berkontraksi ritmis [4], yang berupa dua pompa yang dihubungkan
Lebih terperinciJARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA
doi: https://doi.org/10.5281/zenodo.1207339 JARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA Siti Aisyah (1), Abdi Dharma (2), Mardi Turnip (3) Sistem Informasi Fakultas Teknologi dan Ilmu Komputer
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK DIAGNOSA PENYAKIT JANTUNG KORONER (PJK) DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK DIAGNOSA PENYAKIT JANTUNG KORONER (PJK) DENGAN METODE BACKPROPAGATION [1] Lufi Afriyantika Larandipa, [2] F. Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem
Lebih terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih 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 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 terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Bagian Pengolahan citra dapat di terapkan kedalam beberapa bidang keilmuan, seperti ekonomi bisnis, desain grafis, kesehatan, dan lain-lain. Dalam pengolahan citra,
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 terperinciIDENTIFIKASI CITRA BILANGAN DESIMAL 0-9 BERBASIS LEARNING VECTOR QUANTIZATION SECARA REAL TIME
Jurnal POROS TEKNIK, Volume 4, No. 1, Juni 2012 : 24-29 IDENTIFIKASI CITRA BILANGAN DESIMAL 0-9 BERBASIS LEARNING VECTOR QUANTIZATION SECARA REAL TIME Gunawan Rudi Cahyono (1) (1) Staf Pengajar Jurusan
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 terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciBAB 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 terperinciMETODE BELAJAR HEBBIAN SUPERVISED & CONTOH
METODE BELAJAR HEBBIAN SUPERVISED & CONTOH 1. Jaringan Hebbian Kelemahan model McCulloch-Pitts : penentuan bobot garis dan bias secara analitik. Untuk masalah yang kompleks, hal ini akan sangat sulit dilakukan.
Lebih terperinciNeural Networks. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinci