RANCANG BANGUN APLIKASI PENGENALAN FILE GAMBAR BITMAP MENGGUNAKAN METODE BACKPROPAGATION

dokumen-dokumen yang mirip
Gambar 3.1Single Channel Multiple Phase

Deret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka

MACAM-MACAM TEKNIK MEMBILANG

Deret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka

EXPERT SYSTEM DIAGNOSA JENIS PENYAKIT GIGI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Komang Aryasa

BAB III TAKSIRAN PROPORSI POPULASI JIKA TERJADI NONRESPON. Dalam bab ini akan dibahas penaksiran proporsi populasi jika terjadi

Representasi sinyal dalam impuls

TEOREMA CAYLEY-HAMILTON SEBAGAI SALAH SATU METODE DALAM PENGHITUNGAN FUNGSI MATRIKS

Mata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 5

PEMBUKTIAN SIFAT RUANG BANACH PADA D(K)

MAKALAH TEOREMA BINOMIAL

Makalah Tugas Akhir. Abstract

ISSN Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika (KARMAPATI) Volume 5, Nomor 2, Tahun 2016

Pengaruh Normalisasi Data pada Jaringan Syaraf Tiruan Backpropagasi Gradient Descent Adaptive Gain (BPGDAG) untuk Klasifikasi

MODUL 1.03 DINAMIKA PROSES. Oleh : Ir. Tatang Kusmara, M.Eng

Perluasan Uji Kruskal Wallis untuk Data Multivariat

BAB IV HASIL DAN PEMBAHASAN. Sebagai hasil penelitian dalam pembuatan modul Rancang Bangun

BAB 2 LANDASAN TEORI. lebar pita sinyal tersebut. Pada kebanyakan aplikasi, termasuk kamera digital video dan

PERBANDINGAN PENDEKATAN SEPARABLE PROGRAMMING DENGAN THE KUHN-TUCKER CONDITIONS DALAM PEMECAHAN MASALAH NONLINEAR

PERANCANGAN DAN PEMBUATAN APLIKASI DECISION SUPPORT SYSTEM (DSS) UNTUK PREDIKSI PERMINTAAN KEBUTUHAN BERAS SECARA MULTIUSER

PRISMA FISIKA, Vol. VI, No. 2 (2018), Hal ISSN :

MODUL BARISAN DAN DERET

Aplikasi Sistem Orthonormal Di Ruang Hilbert Pada Deret Fourier

PENGEDITAN DETIL KURVA DENGAN METODE CURVE ANALOGIES MENGGUNAKAN PUSTAKA KURVA MULTIRESOLUSI

SIMULASI MODEL RLC BERBANTUAN MS EXCEL ASSISTED RLC MODEL SIMULATION MS EXCEL

PEMBAHASAN SOAL OSN MATEMATIKA SMP TINGKAT PROPINSI 2011 OLEH :SAIFUL ARIF, S.Pd (SMP NEGERI 2 MALANG)

BAB II LANDASAN TEORI. gamma, fungsi likelihood, dan uji rasio likelihood. Misalkan dilakukan percobaan acak dengan ruang sampel C.

IV. METODE PENELITIAN

BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah.

Penggunaan Transformasi z

BAB V RANDOM VARIATE GENERATOR (PEMBANGKIT RANDOM VARIATE)

Jurusan Pendidikan Matematika, Fakultas Keguruan dan Ilmu Pendidikan Universitas Bung Hatta

BAB IV IMPLEMENTASI DAN PENGUJIAN

FAKTORISASI MATRIKS NON-NEGATIF MENGGUNAKAN ALGORITMA CHOLESKY BERBANTUAN SCILAB

BAB IV PEMBAHASAN DAN ANALISIS

Sifat-sifat Fungsi Karakteristik dari Sebaran Geometrik

Jaringan Sistem Informasi Robotik Vol. 2, No. 01, Maret 2018

Resilent Backpropagation Neural Network Dalam Modelisasi Curah Hujan Limpasan Studi Kasus: DAS Tukad Nyuling

Konvolusi pada Distribusi dengan Support Kompak

MASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK. Masalah 1 Terdapat berapa carakah kita dapat memilih 2 baju dari 20 baju yang tersedia?

Bab III Metoda Taguchi

Penerapan Algoritma Dijkstra dalam Pemilihan Trayek Bus Transjakarta

PERANCANGAN SITUS WEBSITE SISTEM PEMASARAN PADA PT. RADJAWALI MENGGUNAKAN BAHASA PEMROGRAM PHP DAN DATABASE MYSQL

BARISAN DAN DERET. U n = suku ke-n Contoh: Barisan bilangan asli, bilangan genap, bilangan ganjil, dan lain-lain.

Sinyal dan Sistem Waktu Diskrit ET 3005 Pengolahan Sinyal Waktu Diskrit EL 5155 Pengolahan Sinyal Waktu Diskrit

Aproksimasi Terbaik dalam Ruang Metrik Konveks

BAB III METODE PENELITIAN

Jurnal Ilmu Matematika dan Terapan Maret 2016 Volume 10 Nomor 1 Hal

3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian

PENJADWALAN JOBS PADA SINGLE MACHINE DENGAN MEMINIMUMKAN VARIANS WAKTU PENYELESAIAN JOBS (Studi Kasus di P.T. XYZ )

BAB II LANDASAN TEORI. persamaan yang mengandung diferensial. Persamaan diferensial

IV. METODE PENELITIAN

Bab 5 Sinyal dan Sistem Waktu Diskrit. Oleh: Tri Budi Santoso Laboratorium Sinyal, EEPIS-ITS

Penulis: Penilai: Editor: Ilustrator: Dra. Puji Iryanti, M.Sc. Ed. Al. Krismanto, M.Sc. Sri Purnama Surya, S.Pd, M.Si. Fadjar N. Hidayat, S.Si.,M.Ed.

Pemilihan Kapasitas Dan Lokasi Optimal Kapasitor Paralel Pada Sistem Distribusi Daya Listrik

Bab 16 Integral di Ruang-n

ANALISA PENGARUH PANJANG BELT CONVEYOR TERHADAP FREKUENSI REPAIR SEBELUM DAN SESUDAH MENGGUNAKAN LOCKING BOLT PADA SAMBUNGAN COLD SPLICING ABSTRAKSI

MASALAH DISTRIBUSI BOLA KE DALAM WADAH SEBAGAI FUNGSI ATAU KUMPULAN FUNGSI

BAHAN AJAR DIKLAT GURU MATEMATIKA

APLIKASI JARINGAN SYARAF TIRUAN PADA DATA MULTIVARIATE

1) Leptokurtik Merupakan distribusi yang memiliki puncak relatif tinggi

PENGGUNAAN ARTIFICIAL NEURAL NETWORK UNTUK PREDIKSI TEGANGAN PADA BALOK KASTELA HEKSAGONAL BENTANG 1 METER (001S)

PREDIKSI ph AIR HUJAN DI KALIMANTAN BARAT DENGAN METODE BACKPROPAGATION

PENGARUH MODAL KERJA TERHADAP KREDIT YANG DISALURKAN SERTA DAMPAKNYA TERHADAP RENTABILITAS PERUSAHAAN

Keywords: Convergen Series, Banach Space, Sequence space cs, Dual-α, Dual-

Rizqi Elmuna Hidayah, S.Si, M.Kom

SISTEM INFORMASI PENYEWAAN AULA BERBASIS WEB PADA KANTOR PGRI KABUPATEN JEMBER

Pertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd

BAB III METODE PENELITIAN. Metode yang digunakan dalam penelitian ini adalah penelitian korelasi,

BAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.

PENGEMBANGAN MODEL ANALISIS SENSITIVITAS PETA KENDALI TRIPLE SAMPLING MENGGUNAKAN UTILITY FUNCTION METHOD

UJI STATISTIK PENGARUH PERLAKUAN PERMUKAAN TERHADAP UMUR FATIK DENGAN DATA TERBATAS

III. METODE PENELITIAN. Lokasi penelitian dilakukan di Provinsi Sumatera Barat yang terhitung

OPTIMASI PENEMPATAN DISTRIBUTED GENERATION PADA IEEE 30 BUS SYSTEM MENGGUNAKAN BEE COLONY ALGORITHM

UNIVERSITAS BINA NUSANTARA. Program Ganda Skripsi Sarjana Program Ganda Semester Ganjil 2005/2006

STUDI TENTANG PETA KENDALI p YANG DISTANDARISASI UNTUK PROSES PENDEK KUALITAS

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) PENGENALAN WAJAH DUA DIMENSI MENGGUNAKAN MULTI-LAYER PERCEPTRON BERDASARKAN NILAI PCA DAN LDA

Model Antrian Multi Layanan

IV. METODE PENELITIAN. berdasarkan tujuan penelitian (purposive) dengan pertimbangan bahwa Kota

PEMODELAN LAMA PEMBERIAN ASI EKSKLUSIF PADA RUMAH TANGGA MISKIN DENGAN METODE REGRESI POHON DI PROVINSI SULAWESI TENGAH

PENERAPAN ALGORITMA ANALITYCAL HIRACY PROCESS DALAM PEMILIHAN BEASISWA PADA SMA KALUKUBULA

BAB III METODOLOGI 3.1 Tempat dan Waktu Penelitian 3.2 Bahan dan Alat 3.3 Metode Pengumpulan Data Pembuatan plot contoh

BAB III OBYEK DAN METODE PENELITIAN

KINERJA METODE EXTREME LEARNING MACHINE (ELM) PADA SISTEM PERAMALAN

III. METODE PENELITIAN. Penelitian ini dilaksanakan di halaman Pusat Kegiatan Olah Raga (PKOR) Way Halim Bandar Lampung pada bulan Agustus 2011.

Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi

UNIVERSITAS INDONESIA META-ANALISIS UNTUK RELIABILITAS SUATU ALAT UKUR BERDASARKAN KOEFISIEN ALPHA CRONBACH SKRIPSI JANUARINA ANGGRIANI

SISTEM INFORMASI PERSEWAAN PERALATAN PESTA MENGGUNAKAN SMS GATEWAY BERBASIS WEB PADA PERSEWAAN AR MUSIC DENGAN TAMBAHAN FITUR HELP DESK

khazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika

ABSTRAK. Kata Kunci : Pendaftaran training, Framework

Aplikasi Pengenalan Pola pada Citra Bola Sebagai Dasar Pengendalian Gerakan Robot

SEGMENTASI PELANGGANPLN MENGGUNAKAN FUZZY KLUSTERING SHORT TIME SERIES. Maria Titah Jatipaningrum

BAB IV HASIL DAN PEMBAHASAN. Sebelum melakukan deteksi dan tracking obyek dibutuhkan perangkat

MODEL DISTRIBUSI BAHAN AJAR UNIVERSITAS TERBUKA DAN IMPLEMENTASINYA

FUNCTIONALLY SMALL RIEMANN SUMS (FSRS) DAN ESSENTIALLY SMALL RIEMANN SUMS (ESRS) FUNGSI TERINTEGRAL HENSTOCKn. p )

SATUAN ACARA PERKULIAHAN

ISSN: TEKNOMATIKA Vol.1, No.2, JANUARI

BAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian

LAPORAN RESMI MODUL VII TIME SERIES FORECASTING

BAB IV APLIKASI METODE CALLBACK. Dalam bab sebelumnya telah dibahas mengenai cara mengatasi

Transkripsi:

IJCCS, Vol.x, No.x, JulyxArif Harjato, Racag Bagum Apliasi Pegeala File Gambar... 93 RANCANG BANGUN APLIKASI PENGENALAN FILE GAMBAR BITMAP MENGGUNAKAN METODE BACKPROPAGATION Arif Harjato* Tei Eletro Faultas Tei Uiversitas Mulawarma, Samarida e-mail: arif.harjato@ft.umul.ac.id Abstra Dalam tes file bitmap, permasalaha yag serig terjadi yaitu esulita dalam hal membaca atau memahami masud dari suatu doume atau data dalam betu file bitmap diareaa data atau doume tersebut megalami suatu erusaa (oise) fisi. Dari permasalaha iilah, perlu diracag program apliasi yag dapat megeali tes dalam betu file bitmap yag ada pada doume sehigga tes dapat terbaca dega jelas. Maa dari itu dibutuha suatu tei omputasi yag memilii emampua utu mempelajari da megeali sesuatu berdasara arateristi yag dimilii oleh masig-masig beda yag aa dieali. Subje peelitia ii adalah pegeala gambar tes dalam file bitmap dega megguaa metode bacpropagatio. Peragat lua (software) yag diguaa dalam pembuata apliasi ii adalah borlad delphi 7. Proses pegeala yaitu dega melatih gambar tes dalam file bitmap yag beruura 90 x 90 pisel. Pegeala gambar ata file bitmap dilaua per pisel pada gambar iput da output. Prosetase yag diperoleh dari pelatiha jariga syaraf tirua bacpropagatio utu file gambar bitmap yag sudah dilatih diatas 79 %. Kata uci : bitmap, bacpropagatio, jariga syaraf tirua.. PENDAHULUAN Kemajua teologi omputer telah baya memberia sumbaga dalam ehidupa mausia saat ii. Gua meyelesaia suatu masalah tersebut harus dapat dipadag dega megguaa model yag tetap da sesuai, emudia mecari algoritma utu peyelesaiaya. Dari algoritma tersebut sehigga siap utu diterapa pada omputer, tetuya dega membuat suatu program apliasi dega meggua bahasa pemrograma yag tepat []. Permasalaha yag mucul berhubuga dega data tes file bitmap, yaitu serig terjadi esulita dalam pembacaa dari suatu doume atau data diareaa data atau doume tersebut megalami suatu erusaa (oise) fisi. Dari permasalaha iilah dapat diembaga suatu program apliasi yag dapat megeali tes yag ada pada doume file bitmap sehigga masud tes dapat dimegerti, yaitu dega meracag bagu program apliasi jariga saraf tirua bacpropagatio []. Pada program yag dibuat haya membatasi file gambar utu pelatiha da pegujia dega uura 90 x 90 pixel da haya utu file gambar yag berestesi BMP (bitmap), area gambar dega estesi ii lebih baya diguaa, utu gambar dega uura yag lebih besar da utu file gambar dega estesi yag lai dapat lebih diembaga lagi.

94 Jural JUPITER, Vol. 0 No. 2 Bula 0 Tahu 208, Hal. 93-0 Jariga syaraf tirua adalah tei omputasi yag tepat area tei omputasi ii diembaga berdasara cara erja sistem syaraf biologis mausia sehigga memilii emampua utu mempelajari da megeali sesuatu sealipu terdapat peyimpaga atau erusaa ( oise) pada data. Selajutya istilah jariga syaraf tirua ii disebut dega JST [3]. Peelitia megeai cara erja sistem syaraf biologis mausia ii terus dilaua sehigga tercipta berbagai macam model JST [2]. Salah satuya adalah model jariga syaraf propagasi atau bacpropagatio. Berhubuga dega Jariga Syaraf Tirua dalam peelitia ii diuur emampua omputer utu meerima iput dalam file gambar, dega batua jariga syaraf tirua, setelah sistem diberia pelatiha megeal pola-pola ata dalam file bitmp gambar yag telah ada. 2. METODE PENELITIAN 2. Subje Peelitia Materi peelitia ii adalah Pegolaha gambar yaitu suatu metode yag diguaa utu megolah gambar dega jariga syaraf tirua megguaa sample data dari 20 obje gambar ata, da diterusa pada algoritma jariga syaraf tirua sebagai pegambila eputusa, yag diracag megguaa batasa masalah sebagai beriut : a. Data yag diolah berasal dari sebuah file gambar (*.bmp). b. Berupa gambar ata c. Gambar arater lebih gelap dari bacgroud. Sebagai iput data adalah berupa load data yaitu proses utu megambil data berupa ata yag tersimpa dalam file gambar dalam hal ii adalah file bitmap. 2.2 Aalisis Kebutuha Fugsi-fugsi yag dibutuha pada aalisis ebutuha ii adalah aalisis sistem yag dalam pembuata peragat luaya meliputi peracaga sistem seperti : a. Pasaga Iput Pelatiha Pasaga iput utu pelatiha berupa data gambar sebaya 20 sample. File gambar utu iput da output yag aa dilatih adalah sama. b. Pasaga Iput Pegujia Pasaga iput utu pegujia berupa data gambar sebaya 25 sample gambar, yaitu 20 gambar yag sudah dilatih sebelumya tapi gambar tersebut diberia erusaa da 5 gambar yag belum dilatih sebelumya. 2.3 Aalisis Sistem Dalam pembuata peragat lua jariga syaraf tirua, pada tahap ii diawali dega megaalisis sebuah algoritma program yaitu algoritma program utu pelatiha da algoritma program utu pegujia bacpropagatio yag sudah ada emudia ditetapa betu program. Diagram alir tahap pelatiha da Diagram alir tahap pegujia JST Bacpropagatio dapat di lihat pada Gambar. da Gambar 2.

IJCCS, Vol.x, No.x, JulyxArif Harjato, Racag Bagum Apliasi Pegeala File Gambar... 95 Mulai V ij W j X i Iisialisasi Variabel = Jumlah Pelatiha = Bobot iput awal = Bobot hidde awal = Iput data Iput Z_i j = V ij + i x v i. ij Fugsi ativasi Z j = f(z_i j) = f exp - z_i j Bobot Iput Y_i = W j + i z i. w j Z j = f(y_i ) = f Fugsi ativasi exp - y_i Hitug Error (t y ) f (y_i ) 2

96 Jural JUPITER, Vol. 0 No. 2 Bula 0 Tahu 208, Hal. 93-0 2 Limit error tercapai Ya Tida Perbaii Bobot Jumlah pelatiha tercapai Tida Ya Simpa Bobot Selesai Gambar. Diagram alir tahap pelatiha JST Bacpropagatio Mulai V ij W j X i Iisialisasi Variabel = Jumlah Pelatiha = Bobot iput awal = Bobot hidde awal = Iput data Bobot Iput Z_i j = V ij + i x v i. ij 2

IJCCS, Vol.x, No.x, JulyxArif Harjato, Racag Bagum Apliasi Pegeala File Gambar... 97 Fugsi ativasi Z j = f(z_i j) = f exp - z_i j 2 Iput Y_i = W j + i z j. w j Z j = f(y_i ) = f Fugsi ativasi exp - y_i Apaah peeala gambar > 76 Tida Ya Tampila hasil Selesai Gambar 2. Diagram alir tahap pegujia JST Bacpropagatio 2.4 Peracaga Sistem Apliasi Peracaga yag diguaa dalam program apliasi pegeala gambar ata berbasis jariga syaraf tirua adalah atarmua berbasis iterasi grafis yag berfugsi utu memudaha peggua dalam hal pegoperasiaya. Racaga meu halama pada apliasi dapat dilihat pada Gambar 3 da Gambar 4.

98 Jural JUPITER, Vol. 0 No. 2 Bula 0 Tahu 208, Hal. 93-0 Gambar 3. Racaga Meu Halama Pelatiha Gambar 4. Racaga Meu Halama Pegujia 3. HASIL DAN PEMBAHASAN 3. Implemetasi Peragat Lua Implemetasi pearagat lua merupaa tahap dimaa sistem sudah jadi da siap diguaa, sehigga pada tahap ii sistem sudah harus dapat dioperasia sesuai dega fugsi da tujua dibuatya peragat lua tersebut.

IJCCS, Vol.x, No.x, JulyxArif Harjato, Racag Bagum Apliasi Pegeala File Gambar... 99 Parameter jariga syaraf tirua bacpropagatio yag aa mempegaruhi jariga agar dapat beerja dega bai dalam megeali gambar masua ditujua pada Tabel dibawah ii. Tabel. Parameter Jariga Syaraf Tirua Parameter Iterasi masimal (N) Learig rate Mometum (β) 3.2 Tampila Program Meu utama merupaa awal dari program apliasi yag dibuat, form ii berisi judul program, meu estrasi, meu pelatiha, da meu pegujia. Gambar 5. Tampila Meu Estrasi Gua melihat erja apliasi berbasis jariga syaraf tirua yag telah dibuat dilaua proses pelatiha da pegujia terhadap apliasi yag telah dibuat. Hal ii dilaua utu megetahui seberapa besar tigat aurasi apliasi dalam melaua pegeala gambar ata. Tampila pada proses pelatiha da pegujia dapat dilihat pada Gambar 6 da Gambar 7. Gambar 6. Form Utama Pelatiha

00 Jural JUPITER, Vol. 0 No. 2 Bula 0 Tahu 208, Hal. 93-0 Gambar 7. Form Utama Pegujia 3.3 Pegujia Sistem Hasil pegujia utu file gambar yag sudah dilatih sebelumya diatas, maa dapat diperoleh data seperti terlihat pada Tabel 2. Tabel 2. Data Hasil Pegujia No Nama File Gambar (.bmp) Prosetase Uji 76, 56 % Gbr 2 Uji 2 89,97 % Gbr 2 3 Uji 3 90,25% Gbr 3 4 Uji 4 86,78 % Gbr 4 5 Uji 5 - File Belum Dilatih 6 Uji 6 86,58% Gbr 6 7 Uji 7 8,88 % Gbr 7 8 Uji 8 77,00 % Gbr 8 9 Uji 9 83,06 % Gbr 9 0 Uji 0 - File Belum Dilatih Uji - File Belum Dilatih 2 Uji 2 89, % Gbr 2 3 Uji 3 84,02 % Gbr 3 4 Uji 4 76,05 % Gbr 4 5 Uji 5 - File Belum Dilatih 6 Uji 6 - File Belum Dilatih 7 Uji 7 9,97 % Gbr 7 8 Uji 8 82,47 % Gbr 8 Nama File Yag Tereali

IJCCS, Vol.x, No.x, JulyxArif Harjato, Racag Bagum Apliasi Pegeala File Gambar... 0 9 Uji 9 84,3 % Gbr 9 20 Uji 20 87,44 % Gbr 20 ) Program mampu megeali Gambar ata yag sudah dilatih sebelumya. 2) Prosetase pegujiaya dapat dieali diatas 79 % yaitu membadiga data pegujia dega data hasil pelatiha yag telah disimpa emudia dialia 00 perse. 3) Program mampu meampila ama file tereali. 4. KESIMPULAN Racag bagu apliasi pegeala file gambar bitmap megguaa metode bacpropagatio dapat disimpula sebagai beriut: a. Jariga syaraf tirua bacpropagatio dapat diadala utu megatasi masalah pegeala file gambar berestesi bitmap. Apliasi dapat melaua pegeala gambar ata sesuai dega gambar iput yag dimasua b. Hasil pegujia, eluara ahir berupa file gambar ata yag dieali, prosetase ebearaya, da ama file gambar yag tereali. Hasil prosetase utu file gambar yag sudah dilatih diatas 79 % sedaga utu file gambar yag belum dilatih tida dapat dieali. 5. SARAN Dari esimpula diatas, maa peulis memberia sara yag aa dijadia sebagai baha masua peelitia selajutya yaitu, utu memilih gambar dega uura yag lebih besar da utu file gambar dega estesi yag lai. UCAPAN TERIMA KASIH Peulis megucapa terima asih epada semua piha yag telah memberi duuga sehigga terbitya jural ii, terimaasih besar epada redasi jural Jupiter yag telah berea meerbita asah jural ii. DAFTAR PUSTAKA [] Eireddy Vamsidhar et. al., 200. "Predictio of Raifall Usig Bacpropagatio Neural Networ Model." Iteratioal Joural o Computer Sciece ad Egieerig, Vol. 02, No. 04, 200, 9-2 [2] Jog Je Siag. Jariga Syaraf Tirua da Pemrograma megguaa MATLAB. Adi Publisher. 2009 [3] Kristato, Adri, 2004, Jariga Syaraf Tirua, Gava Media, Yogyaarta. [4] Lauree, Fausett, 994, Fudametal Of Neural Networ, Pretice Hall. [5] Pauli, F., ad Sathaumara, A., 200. " Bacpropagatio Neural Networ by Comparig Hidde Neuros : Case Study o Breast Cacer Diagosis." Iteratioal Joual of Computer Applicatios (0975-8887), Vol. 2 - No. 4, Jue 200 [6] Pujiato, S. Kom, 50 Tri Pemrograma Delphi 8.0, Pt Elex Media Komputido, Jaarta, 2007