PERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION
|
|
- Veronika Makmur
- 9 tahun lalu
- Tontonan:
Transkripsi
1 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, Fakultas Keguruan dan Ilmu Pendidikan zoe_zoe_40@yahoo.com/zuma.yakuza@gmail.com Abstrak Kemacetan di ibukota DKI Jakarta tidak dapat dihindari, terutama pada titik-titik persimpangan baik di alan-alan protokol hingga di alan lingkungan. Semakin hari, kemacetan di Jakarta semakin parah. Menurut sebuah penelitian, kemacetan tersebut membuat masyarakat Jakarta mengalami kerugian hingga Rp 48 triliun per tahun (Detik News, 26 Nop 2008). Dalam makalah ini akan dibahas mengenai prediksi umlah kendaraan pada tahun Prediksi ini akan dilakukan dengan menggunakan aringan syaraf tiruan, yaitu metode backpropagation. Metode ini digunakan karena keunggulannya dalam learning rate. Learning rate sangat berguna dalam menentukan prediksi dengan eror yang kecil. Prediksi umlah kendaraan ini akan dilakukan pada kendaraan bermotor, mobil pribadi dan kendaraan umum. Sehingga dari hasil prdiksi ini akan dapat ditentukan langkah-langkah yang tepat untuk menekan lau pertumbuhan umlah kendaraan. Dalam pembahasannya nanti akan digunakan Matlab Kata-kata kunci: aringan syaraf tiruan, metode backpropagation.
2 BAB I PENDAHULUAN Dalam bab ini dibahas latar belakang yang mendasari penulisan makalah yang didalamnya mencakup beberapa informasi mengenai keadaan akarta pada masa ini, dalam kaitannya dengan kemacetan yang sering teradi dan umlah kendaraan yang terus meningkat tiap tahun. Uraian ini hanya bersifat umum dan lebih merupakan gambaran dari kegiatan yang akan dilaksanakan dalam pembahasan makalah ini. Dari informasiinformasi tersebut kemudian dibuat suatu rumusan masalah dan batasan yang dipakai agar pembahasan tidak meluas. Selain itu, dirumuskan uga tuuan dan manfaat dari makalah ini dan kemudian diakhiri dengan pembahasan mengenai sistematika penulisan. 1.1 Latar Belakang Kemacetan di ibukota DKI Jakarta tidak dapat dihindari, terutama pada titik-titik persimpangan baik di alan-alan protokol hingga di alan lingkungan. Semakin hari, kemacetan di Jakarta semakin parah. Menurut sebuah penelitian, kemacetan tersebut membuat masyarakat Jakarta mengalami kerugian hingga Rp 48 triliun per tahun (Detik News, 26 Nop 2008). Kemacetan ini mengakibatkan stres yang tinggi pada pengguna alan, meningkatnya polusi udara kota, hingga terganggunya kegiatan bisnis. Kemacetan lalulintas Jakarta yang semakin akut ini membuat pemerintah Provinsi DKI Jakarta melakukan berbagai upaya untuk mengatasinya. Namun upaya ini seakan sia-sia ika melihat data terbaru umlah kendaraan di Ibukota. Oleh karena itu, dibutuhkan prediksi yang akurat untuk mengetahui umlah kendaraan tiap tahun agar dapat dilakukan tindakan preventif untuk menyesuaikan antara kebutuhan masyarakat atas kendaraan dengan kendaraan umum yang ada. Selain itu, dapat dilakukan uga pembatasan pada kepemilikan kendaraan. Hal ini diharapkan dapat membantu pemerintah dakam melakukan upaya penanganan terhadap kemacetan yang selalu teradi dan bahkan bertambah parah tiap tahunnya. Dalam makalah ini akan dibahas mengenai prediksi umlah kendaraan pada tahun Prediksi ini akan dilakukan dengan menggunakan aringan syaraf tiruan, yaitu metode backpropagation. Metode ini digunakan karena keunggulannya dalam learning rate. Learning rate sangat berguna dalam menentukan prediksi dengan eror yang kecil. Prediksi umlah kendaraan ini akan dilakukan pada kendaraan bermotor, mobil pribadi dan kendaraan umum. Sehingga dari hasil prdiksi ini akan dapat ditentukan langkahlangkah yang tepat untuk menekan lau pertumbuhan umlah kendaraan. Dalam pembahasannya nanti akan digunakan Matlab Rumusan Masalah Permasalahan yang dibahas dalam makalah ini adalah bagaimana mendapatkan prediksi yang akurat atas umlah kendaraan. Dalam hal ini yang berkaitan dengan kendaraan bermotor, mobil pribadi dan kendaraan umum. 1.3 Batasan Masalah Agar pembahasan masalah tidak meluas, dalam makalah ini hanya akan digunakan data kendaraan dari Polda Metro Jaya pada tahun Data untuk umlah kendaraan pada tahun 2010 direkapitulasi pada bulan oktober Tuuan dan Manfaat Tuuan yang ingin dicapai dalam makalah ini adalah mendapatkan hasil prediksi yang akurat atas umlah kendaraan di kota Jakarta berdasarkan data dari Polda Metro Jaya. Sedangkan manfaat yang dapat diambil adalah dengan data prediksi yang diperoleh
3 dapat dilakukan tindakan perventif untuk menyesuaikan kebutuhan masyarakat atas kendaraan dengan kendaraan umum yang ada atau dapat dilakukan uga pembatasan pada kepemilikan kendaraan. Hal ini diharapkan dapat membantu pemerintah dalam melakukan upaya penanganan terhadap kemacetan yang selalu teradi dan bahkan bertambah parah tiap tahunnya. BAB II TINJAUAN PUSTAKA Dalam makalah ini data dari umlah kendaraan akan diprediksi dengan menggunakan metode backpropagation. Tetapi sebelumnya pada bab ini akan diuraikan hal-hal yang berhubungan dengan prediksi tersebut. Diantaranya adalah aringan saraf tiruan dan metode backpropagation. 2.1 Jaringan Saraf Tiruan [fauset] Jaringan Syaraf Tiruan (artificial neural network) adalah pemrosesan sistem informasi pada karakteristik tertentu dalam keadan yang berhubungan dengan aringan syaraf biologi. Jaringan syaraf tiruan dibangun berdasarkan generalisasi dari model matematika pada manusia atau syaraf biologi, didasarkan pada asumsi: 1. Pemrosesan informasi teradi pada banyak element yang disebut neuron. 2. Sinyal beralan diantara neuron yang terkoneksi aringan. 3. Masing masing aringan koneksi dihubungkan dengan bobot, yang mana didalam aringan syaraf khusus, melipatgandakan transmisi sinyal. 4. Masing masing neuron mempergunakan fungsi aktifasi (biasanya nonlinier) ke aringan inputnya untuk menentukan sinyal output. Jaringan syaraf dikarakteristikkan oleh : 1. Polanya terkoneksi diantara neuron (disebut arsitektur) 2. Metode untuk menentukan bobot dari koneksi (disebut training atau learning, algoritma) 3. Fungsi aktifasi. Apa yang membedakan (artificial) aringan syaraf dari pendekatan yang lain ke proses menyediakan informasi pendahuluan dari bagaimana dan kapan menggunakan aringan syaraf, mari kita mengingat definisi dari karakteristik aringan syaraf lebih lanut. Jaringan syaraf terdiri dari banyak sekali elemen pemroses yang disebut dengan neuron, unit, cell or node. Masing masing terhubungkan dengan neuron yang lain oleh alat komunikasi aringan secara langsung, masing masing terhubungkan dengan bobot. Bobot mengambarkan informasi yang digunakan oleh aringan untuk memecahkan masalah. Jaringan syaraf dapat diaplikasikan pada bermacam macam permasalahan, seperti penyimpanan dan pemanggilan ulang data atau pola, peng-klasan pola, melakukan pemetaan umum dari pola input ke pola output, peng-grupan pola yang mirip, atau menemukan solusi permasalahan secara maksimal. Masing masing neuron mempunyai bagian internal, dsebut aktifasi atau level aktifasi, dimana fungsinya adalah menerima input. Secara khusus, neuron mengirimkan aktifasi berupa sinyal kepada beberapa neuron yang lain. Itu penting untuk mencatat bahwa neuron dapat mengirim satu sinyal pada satu waktu, walaupun sinyal ini mengirim ke beberpa neuron. 2.2 Backpropagation[fauset] Dalam bab ini, akan dibahas metode training ini, yang dikenal dengan backpropagation (of error) atau generalized delta rule. Metode ini adalah metode gradient descent untuk meminimalkan total kuadrat error dari output yang dihitung oleh aringan.
4 Backpropagation melatih aringan untuk mendapatkan keseimbangan antara kemampuan aringan untuk mengenali pola yang digunakan selama proses training serta kemampuan aringan untuk memberikan respon yang benar terhadap pola inputan yang serupa (tapi tak sama) dengan pola yang dipakai selama training Arsitektur Backpropagation memiliki beberapa unit yang ada di dalam satu atau lebih hidden layer. Gambar 1. Arsitektur backpropagation Gambar 1 merupakan arsitektur backpropagation dengan n buah inputan (ditambah sebuah bias), sebuah hidden layer yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit output. Dimana v i merupakan bobot garis dari unit input xi ke unit hidden layer z (v 0 merupakan bobot garis yang menghubungkan bias di unit inputan ke unit hidden layer z ). w i merupakan bobot dari unit hidden layer z ke unit output y k (w k0 merupakan bobot garis yang menghubungkan bias di unit hidden layer ke unit output z k ) Fungsi Aktivasi Fungsi aktivasi untuk aringan backpropagation memiliki beberapa karakteristik yang penting. Fungsi aktivasi tersebut kontinu, dapat diturunkan dan tidak turun secara monoton. Untuk efesiensi perhitungan, turunan dari fungsi aktivasi tersebut uga mudah dihitung. Fungsi aktivasi yang paling umum digunakan adalah nilai dari turunannya (pada nilai tertentu dari variabel independen) dapat diekspresikan dalam bentuk nilai dari fungsi aktivasi tersebut (pada nilai varibel independen).fungsi aktivasi yang paling sering digunakan adalah fungsi sigmoid biner. Sedangkan fungsi lain yang uga cukup sering dipakai adalah fungsi sigmoid bipolar. Penelasan dari kedua fungsi tersebut diberikn sebagai berikut: 1. Fungsi sigmoid biner untuk interval (0,1) 1 f ( x) x 1 e f ' x f ( x )([1 f 1( x )] 2. Fungsi sigmoid bipolar dengan interval (-1,1) 2 f ( x) 1 x 1 e 1 f ' x [1 f2( x)][1 f2( x)] Algoritma Backpropaation Step 0 : Inisialisasi bobot semua bobot dengan bilangan acak kecil
5 Bobot bias input (v 0 ) = bilangan acak dari - dan, dengan Bobot input (v i ) = bilangan acak dari -0.5 dan 0.5 Bobot bias hidden (w 0k ) dan bobot hidden (w k ) = bilangan acak dari -1 dan 1. Step 1 : Jika kondisi penghentian belum terpenuhi, lakukan Step 2-9 Step 2 : Untuk setiap pasang data pelatihan, lakukan langkah 3-8 Step 3 : Tiap unit input (X i, i=1,..,n) menerima sinyal dan meneruskannya ke unit hidden Step 4 : Hitung semua output di unit hidden (Z,=1,..,p) z _ in v z f z _ in Step 5 : Hitung semua output di unit output (Yk, k=1,..,m) y k Step 6 : Hitung unit output berdasarkan error di setiap unit output Y k Step 7 : Hitung unit hidden berdasarkan error di setiap unit hidden Z Hitung suku perubahan bobot input dan bobot bias input dengan learning rate m _ in k w k Step 8 : Hitung semua perubahan bobot Step 9 : Test kondisi penghentian y _ in 0 k f n i1 w 0k y _ in x v i i k p 1 z w k k ( tk yk ) f '( y _ ink ) Hitung suku perubahan bobot hidden dan bobot bias hidden dengan learning rate w z w v i k k 0k i v 0 k _ in k x k1 w ( baru) w ( lama) w v ( baru) v ( lama) v i i f '( z _ in k ) i k
6 BAB III PEMBAHASAN Dalam bab ini akan dielaskan mengenai prediksi data umlah tiap enis kendaraan. Dimana prediksi ani akan dilakukan dengan menggunakan aringan saraf tiruan, yaitu metode backpropagation. 3.1 Analisa Data [2] Sebagaimana telah disebutkan sebelumnya bahwa data yang akan digunakan dalam proses peramalan atau prediksi ini adalah data umlah kendaraan di Jakarta selama sepuluh tahun terakhir. Data ini akan digunakan untuk mengetahui kisaran yang akurat tentang umlah kendaraan Data yang digunakan dalam proses prediksi adalah sebagai berikut: Tabel 1. Data Jumlah Kendaraan Polda Metro Jaya Jenis Kendaraan Bermotor Tahun Sepeda Motor Mobil Penumpang Mobil Beban Mobil Bis Penumpang Jumlah Tampak pada tabel bahwa kenaikan umlah kendaraan di Jakarta sangat signifikan. Tapi, tiap tahun mempunyai tingkat kenaikan yang berbeda-berbeda. Hal inilah yang membuat prediksi atas data selanutnya yang akurat menadi sulit didapatkan. Oleh karena itu, akan digunakan metode backpropagation untuk meramalkan data berikutnya. Program akan blaar untuk mengetahui model kenaikan umlah kendaraan yang berubah dan berbeda tiap tahunnya. 3.2 Hasil dan Representasi Prediksi Pada metode backpropagation, langkah yang pertama dilakukan adalah menentukan bobot awal. Pemilihan bobot awal akan mempengaruhi apakah aringan mencapai minimum global (atau hanya lokal) dari error, dan ika itu teradi, seberapa cepat akan konvergen. Update bobot antara dua unit bergantung pada turunan fungsi aktivasi dari unit batas atas dan unit batas bawah. Untuk alasan inilah, sangat penting untuk menghindari pemilihan bobot awal yang akan membuat aktivasi atau turunan dari aktivasi tersebut bernilai nol. Nilai dari bobot awal tidak harus terlalu besar, atau sinyal input awal ke tiap unit hidden atau output akan atuh pada daerah dimana turunan dari fungsi sigmoid memiliki nilai yang sangat kecil (disebut area saturation). Selain itu, apabila bobot awal terlalu kecil, input aringan untuk unit hidden atau output akan mendekati nol, yang akan menyebabkan proses learning yang sangat lambat.
7 Prosedur umum adalah untuk memberi bobot awal (dan bias) dengan nilai acak antara -0.5 dan 0.5 (atau antara -1 dan 1 atau interval lain yang sesuai). Nilai tersebut bisa negatif maupun positif karena nilai akhir dari bobot setelah training mungkin sesuai dengan tanda tersebut. Pada metode ini, proses training tidak dilakukan pada seluruh data, melainkan hanya sebagian saa (biasanya setengah dari data keseuruhan). Sedangkan sisa data yang lain digunakan dalam proses testing. Dalam training, bobot akan diperbarui di setiap iterasi sedemikian hingga diperoleh bobot yang sesuai dengan model data. Sedangkan proses testing akan menentukan seberapa akurat prediksi yang telah dilakukan. Hal inilah yang membuat metode ini unggul dari metode yang lain. Bobot input yang dipakai adalah data yang bernilai (-0.5,0.5). Bobot ini akan diinputkan ke program dalam bentuk matriks yang ukurannya sesuai dengan umlah data yang akan diproses dan umlah hidden layer yang diinginkan. Untuk aringan syaraf tiruan dengan lebih dari 1 unit hidden, hanya modifikasi kecil dari algoritma backpropagation pada bab Perhitungan dari diulang untuk setiap hidden layer. Hasil teoritis yang telah banyak ditunukkan pada mennyimpulkan bahwa satu hidden layer cukup bagi sebuah aringan backpropagation untuk menetapkan setiap pemetaan kontinu dari pola input ke pola output pada sebarang deraat ketepatan. Bagaimanapun uga, 2 hiden layer mungkin dapat membuat training lebih mudah untuk beberapa situasi.,, dengan Sedangkan bobot awal untuk bobot input diambil nilai 1/ n 0.7( p) 0. 7n p. Dan bobot awal untuk bobot hidden diambil nilai (- 0.5,0.5). Dari penelasan tersebut, maka dalam makalah ini akan digunakan bobot input data yang bernilai (-0.5,0.5), umlah data adalah 10 dan banyak hiden layer adalah 1. Oleh karena itu, dapat diambil suatu inisialisasi bobot berupa matriks berukuran 5 1 yang dinyatakan dalam tabel berikut: Tabel 2. Bobot Input Bobot input Karena data yang dimiliki bernilai sangat besar, maka perlu dilakukan konversi dengan rumus berikut: x _ lama x _ min x _ baru x _ maks x _ min Sehingga diperoleh: Konversi ini pada akhir peramalan atau prediksi akan dikembalikan lagi dengan invers dari persamaan tersebut sebagai berikut: y _ pred y _ lama *( y _ maks y _ min) y _ min Sehingga, konversi ini tidak akan mengubah data yang dihasilkan. Dari proses konversi pada data input diperoleh:
8 Tabel 3. Hasil Konversi data Inputan Jenis Kendaraan Bermotor Tahun Sepeda Mobil Mobil Jumlah Mobil Bis Motor Penumpang Beban Data pada Tabel 3 adalah data inputan untuk program. Setelah running, yaitu dengan umlah hidden layer adalah 1, learning rate sebesar 0.5, banyak iterasi adalah 3 (telah mencapai kekonvergenan, artinya bobot tidak terbarui lagi), bobot bias input adalah 0.7, bobot bias hidden adalah 0.5, dan bobot hidden layer (berukuran 1x1) sebesar 0.2, diperoleh data hasil running program sebagaimana dielaskan dalam sub bab berikut ini Prediksi Jumlah Kendaraan Bermotor Setelah dilakukan running program terhadap data umlah kendaraan bermotor selama sepuluh tahun terakhir, diperoleh data-data sebagai berikut: Tabel 4. Bobot Awal dan Akhir layer Bobot Awal Input 5 Bobot akhir Input ( 10 ) a) Bobot Awal dan Akhir layer input Bobot Awal Hidden 7 Bobot Akhir Hidden ( 10 ) b) Bobot Awal dan Akhir hidden layer Sehingga diperoleh data prediksi umlah kendaraan bermotor pada tahun adalah sebesar Hal ini digambarkan dengan garis merah pada grafik berikut: Grafik 1. Hasil Prediksi Jumlah Kendaraan Bermotor
9 3.2.2 Prediksi Jumlah Mobil Penumpang Setelah dilakukan running program terhadap data umlah mobil penumpang selama sepuluh tahun terakhir, diperoleh data-data sebagai berikut: Tabel 5. Bobot Awal dan Akhir layer Bobot Awal Input 4 Bobot akhir Input ( 10 ) c) Bobot Awal dan Akhir layer input Bobot Awal Hidden 7 Bobot Akhir Hidden ( 10 ) d) Bobot Awal dan Akhir hidden layer Sehingga diperoleh data prediksi umlah mobil penumpang pada tahun adalah sebesar Hal ini digambarkan dengan garis merah pada grafik berikut: Grafik 2. Hasil Prediksi Jumlah Mobil Penumpang Prediksi Jumlah Mobil Beban Setelah dilakukan running program terhadap data umlah mobil beban selama sepuluh tahun terakhir, diperoleh data-data sebagai berikut: Tabel 6. Bobot Awal dan Akhir layer Bobot Awal Input 3 Bobot akhir Input ( 10 ) e) Bobot Awal dan Akhir layer input
10 Bobot Awal Hidden 6 Bobot Akhir Hidden ( 10 ) f) Bobot Awal dan Akhir hidden layer Sehingga diperoleh data prediksi umlah mobil beban pada tahun 2011 adalah 5 sebesar Hal ini digambarkan dengan garis merah pada grafik berikut: Grafik 3. Hasil Prediksi Jumlah Mobil Beban Prediksi Jumlah Mobil Bis Setelah dilakukan running program terhadap data umlah mobil bis selama sepuluh tahun terakhir, diperoleh data-data sebagai berikut: Tabel 7. Bobot Awal dan Akhir layer Bobot Awal Input 3 Bobot akhir Input ( 10 ) g) Bobot Awal dan Akhir layer input Bobot Awal Hidden 6 Bobot Akhir Hidden ( 10 ) h) Bobot Awal dan Akhir hidden layer Sehingga diperoleh data prediksi umlah mobil beban pada tahun 2011 adalah 5 sebesar Hal ini digambarkan dengan garis merah pada grafik berikut:
11 Grafik 4. Hasil Prediksi Jumlah Mobil Bis Prediksi Jumlah Total Seluruh Kendaraan Setelah dilakukan running program terhadap data umlah total seluruh kendaraan selama sepuluh tahun terakhir, diperoleh data-data sebagai berikut: Tabel 8. Prediksi umlah Total kendaraan tahun 2011 Prediksi kenaikan umlah tiap enis kendaraan Sepeda Motor Mobil Penumpang Mobil Beban Mobil Bis Jumlah Total Sehingga diperoleh data prediksi umlah total seluruh kendaraan pada tahun 2011 adalah sebesar Hal ini digambarkan dengan garis merah pada grafik berikut: Grafik 5. Hasil Prediksi Jumlah Total Kendaraan
12 BAB IV KESIMPULAN Dari penggunaan program menggunakan metode backpropagation, diperoleh hasil prediksi sebagai berikut: Prediksi kenaikan umlah tiap enis kendaraan Sepeda Motor Mobil Penumpang Mobil Beban Mobil Bis Jumlah Total Tabel menunukkan bahwa umlah sepeda motor naik sebanyak unit dari data september 2010, mobil penumpang naik unit, mobil beban naik sebanyak unit, mobil bis naik unit, sedangkan total umlah kendaraan akan mangalami kenaikan pula sebesar unit. Kenaikan ini harus diatasi dengan pengurangan umlah kendaraan. Hal ini dapat dilakukan dengan mengadakan ui kelayakan kendaraan dimana kendaraan yang sudah tak layak operasi harus segera diberhentikan iin beroperasinya. Selain itu, pengurangan tingkat kenaikan umlah kendaraan dapat dilakukan uga dengan mengurangi pembelian kendaraan dengan cara kredit. Hal ini dikarenakan oleh pemberian kredit dengan bunga yang terlalu rendah meningkatkan keinginan dan daya beli masyarakat atas kendaraan bermotor. Dan kasus ini menyumbangkan pengaruh besar bagi meroketnya umlah kendaraan. Cara lain yang uga dapat dilakukan adalah membatasi kepemilikan kendaraan bagi tiap keluarga. Hal ini disebabkan oleh tingginya tingkat konsumsi masyarakat Indonesia atas barang mewah, terutama mobil.
13 DAFTAR PUSTAKA [1]. Fausset, Lauren Fundamentals of Neural Network. Prentice-Hall,Inc. New Jersey. [2] oktober 2010.
BAB 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 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 terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih 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 terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Siti Amiroch Universitas Islam Darul Ulum Lamongan, amirast_117@yahoo.com Abstract. In the stock market, stock price prediction is
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 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 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 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 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 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 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 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 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 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 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 terperinciBAB I PENDAHULUAN. paling parah dan paling lama tingkat pemulihannya akibat krisis keuangan
BAB I PENDAHULUAN 1.1 Latar Belakang Krisis keuangan yang terjadi di Asia pada pertengahan tahun 1997 diawali di Thailand dan merembet ke berbagai negara di Asia lainnya seperti di Indonesia, Malaysia,
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih 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 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 terperinciPENERAPAN METODE NEURAL NETWORK DENGAN STRUKTUR BACKPROPAGATION UNTUK PREDIKSI STOK OBAT DI APOTEK (STUDI KASUS : APOTEK ABC)
Seminar Nasional Aplikasi Teknologi Informasi 0 (SNATI 0) ISSN: 907-50 ogyakarta, 7-8 Juni 0 PENERAPAN METODE NEURAL NETWORK DENGAN STRUKTUR BACKPROPAGATION UNTUK PREDIKSI STOK OBAT DI APOTEK (STUDI KASUS
Lebih terperinciBAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.
33 BAB 4 DISAIN MODEL Disain model sistem identifikasi citra karang dirancang sedemikian rupa dengan tuuan untuk memudahkan dalam pengolahan data dan pembuatan aplikasi serta memudahkan pengguna dalam
Lebih 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 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 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 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 terperinciPREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK. Cynthia G.Y.P
PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK Cynthia G.Y.P Matematika, Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia cynthia_gyp@yahoo.com Abstrak Suatu perusahaan
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 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 terperinciANALISA PREDIKSI TINGKAT PENGANGGURAN DENGAN JARINGAN SYARAF TIRUAN
Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ISSN: 907-5022 Yogyakarta, 6 Juni 2007 ANALISA PREDIKSI TINGKAT PENGANGGURAN DENGAN JARINGAN SYARAF TIRUAN Prisa Marga Kusumantara, I Gede
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 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 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 terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciPerbandingan Arsitektur Multilayer Feedforward Network dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array
Nico Saputro Perbandingan Arsitektur Multilayer Feedforard Netork dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array Abstrak Jaringan Syaraf Tiruan dapat diimplementasikan secara perangkat
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 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 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 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 terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output
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 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 terperinciPerbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer
Perbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer R. Muhammad Subekti 1 1. P2TRR BATAN, Kompleks Puspiptek Gedung 31, Serpong, Tangerang 15310 Abstrak Algoritma umum metode
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Kecerdasan Buatan (Artificial Intelligence) Kecerdasan buatan (Artificial Intelligence) adalah bagian dari ilmu komputer yang mempelaari bagaimana membuat mesin (komputer) dapat
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 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 terperinciWAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 2, November 2007, 53 64 WAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES Daryono Budi Utomo Jurusan Matematika FMIPA Institut Teknologi
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 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 terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciBAB II LANDASAN TEORI
5 BAB II LANDASAN TEORI 2.1. Citra Digital Citra digital dapat didefenisikan sebagai fungsi f(x,y) yaitu dua dimensi, dimana x dan y merupakan koordinat spasial dan f(x,y) disebut dengan intensitas atau
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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Beban dan Prakiraan Beban Listrik Di dalam sebuah sistem kelistrikan terdapat 2 sisi yang sangat berbeda, yaitu sisi beban dan sisi pembangkitan. Pada sisi beban atau beban
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 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 terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka berpikir Perubahan nilai tukar rupiah terhadap mata uang asing tidak dapat dihindari. Untuk mengatasi perubahan yang tidak pasti ini diperlukan suatu prediksi.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih terperinciBAB 1 PENDAHULUAN. datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk
BAB 1 PENDAHULUAN 1.1. Latar Belakang Peramalan adalah menduga atau memperkirakan suatu keadaan di masa yang akan datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk menetapkan kapan
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Penerapan Jaringan Syaraf Tiruan Untuk Estimasi Needs
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
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 terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. 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 terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 004 Yogyakarta, 19 Juni 004 Klasifikasi Pola Menggunakan Jaringan Probabilistik Sri Kusumadewi Jurusan Teknik Informatika, Universitas Islam Indonesia Jl.
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciIdentifikasi Unsur-unsur Radioaktif dengan Menggunakan Jaringan Syaraf Tiruan
Identifikasi Unsur-unsur Radioaktif dengan Menggunakan Jaringan Syaraf Tiruan Rokhmadi 1 dan R. Muhammad Subekti 1 1. Pusat Pengembangan Teknologi Reaktor Riset (P2TRR) BATAN, Serpong Abstrak Jaringan
Lebih terperinciADLN - Perpustakaan Universitas Airlangga ABSTRAK. viii
Muhammad Arif Santoso, 2015. Peramalan Penjualan Produk Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine. Skripsi ini dibawah bimbingan Auli Damayanti,S.Si, M.Si dan Dr. Herry Suprajitno,
Lebih 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 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 terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pengklasifikasian merupakan salah satu metode statistika untuk mengelompok atau menglasifikasi suatu data yang disusun secara sistematis. Masalah klasifikasi sering
Lebih terperinciOPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK
OPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK ABSTRAK Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Algoritma umum metode propagasi
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 terperinciKLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK
KLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK Sri Kusumadewi Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta cicie@fti.uii.ac.id ABSTRACT More application often used
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih 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 terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih 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 terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
Lebih terperinciANALISIS PEMANFAATAN BACKPROPAGATION DAN METODE FUZZY TSUKAMOTO UNTUK MENENTUKAN PREDIKSI PENJUALAN DAN STOK YANG HARUS TERSEDIA
ANALISIS PEMANFAATAN BACKPROPAGATION DAN METODE FUZZY TSUKAMOTO UNTUK MENENTUKAN PREDIKSI PENJUALAN DAN STOK YANG HARUS TERSEDIA Angga Cahyo Saputro 1, Suyadi 2 Magister Teknik Informatika, Universitas
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
Lebih 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 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 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 IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih 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 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 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 terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Fakultas Ilmu Komputer Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Fakultas Ilmu Komputer Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 Peramalan Harga Indeks Saham Hang Seng dengan Menggunakan Jaringan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
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 terperinciRancang Bangun Perangkat Lunak Penentuan Lokasi Untuk Penelitian Pendahuluan Usaha Ritel di Surabaya Dengan Jaringan Saraf Tiruan
Rancang Bangun Perangkat Lunak Penentuan Lokasi Untuk Penelitian Pendahuluan Usaha Ritel di Surabaya Dengan Jaringan Saraf Tiruan Damarendra Universitas Ciputra UC Town, CitraLand, Surabaya 60219 dnugroho@student.ciputra.ac.id
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 terperinciPemodelan Sistem dengan Metode Neural Network Back Propagation. Modeling System Using Neural Network Backpropagation
Pemodelan Sistem dengan Metode Neural Network Back Propagation Modeling System Using Neural Network Backpropagation Dwi Sudarno Putra 1), Toto Sugiarto 1) & Meri Azmi 2) 1) Jurusan Teknik Otomotif Universitas
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Literatur Algoritma genetik merupakan salah satu algoritma yang biasanya digunakan dalam optimalisasi data. Namun penggunaan algoritma genetik dalam melakukan peramalan
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 terperinci