scholarly journals Pengembangan Model Jaringan Syaraf Tiruan untuk Mendeteksi Anomali Satelit LAPAN-TUBSAT

2019 ◽  
Vol 5 (2) ◽  
pp. 230
Author(s):  
Agus Herawan
Keyword(s):  
Early Warning ◽  
Learning Rate ◽  
Input Node ◽  
Itu Model ◽  
Hidden Layer

Kasus satelit mengalami anomali seringkali di temukan pada satelit-satelit yang beroperasi pada orbit polar. Namun permasalahan yang muncul adalah kondisi satelit sering berubah-ubah sehingga operator belum  bisa mengantisipasi kondisi tersebut. Oleh sebab itu, model deteksi kondisi satelit  dapat berperan sebagai early warning operator satelit untuk mempersiapkan strategi yang berkaitan dengan kebijakan preventif terkait pencegahan ketika satelit mengalami kondisi tidak normal. Tujuan  penelitian ini adalah menerapkan Jaringan Syaraf Tiruan (JST) bakcpropagation dalam mendeteksi kondisi anomali  pada satelit LAPAN-TUBSAT, serta mengetahui tingkat akurasi dari proses deteksi tersebut sehingga diperoleh parameter dan arsitektur jaringan JST terbaik. Proses pembelajaran dan pengujian JST menggunakan data kejadian anomali tahun 2009 sampai 2014. Arsitektur JST yang digunakan adalah jumlah node input 4, dua hidden layer, jumlah node lapisan tersembunyi (hidden neuron) divariasikan pada nilai 5, 10, 15 dan 20. Parameter yang diberikan pada proses pembelajaran antara lain adalah fungsi aktivasi, toleransi galat, jumlah epoch maksimal dan variasi nilai laju pembelajaran (learning rate). Empat parameter input yang digunakan yakni elektron (mep0e1), proton (mep0p1), indeks Kp serta indeks Dst. Hasil penelitian menunjukkan bahwa arsitektur jaringan syaraf terbaik dihasilkan oleh jaringan dengan jumlah input node empat, hidden neuron 20 dan 10, nilai learning rate sebesar 0.05 dengan 306 epoch, menghasilan rata-rata akurasi sebesar 98.13%, serta nilai precision dan recall sebesar 98.21%  dan  94.81%.

scholarly journals Prediksi Pasang Surut Air Laut Menggunakan Jaringan Syaraf Tiruan Backpropagation

2018 ◽  
Vol 7 (1) ◽  
pp. 1-6
Author(s):  
Nerfita Nikentari ◽  
Nola Ritha ◽  
Tri Haryadi
Keyword(s):  
Learning Rate ◽  
Target Error ◽  
Error Learning ◽  
Hidden Layer

Pasang surut air laut mempunyai pengaruh terhadap suatu kegiatan yang dilakukan di laut yaitu kegiatan pelayaran, kegiatan para nelayan, serta bongkar muat kapal, oleh karena kejadian pasang surut terjadi tidak pada waktu yang sama oleh karena itu perlu adanya prediksi pasng surut air laut. Berdasarkan data tunggal ketinggian pasang surut sebelumnya yang diperoleh dari BMKG kota Tanjungpinang dari tanggal 1 Januari sampai dengan 11 Februari 2015, maka dilakukan penelitian dengan menggunakan algoritma Backpropagation Pada penelitian ini menggunakan sebanyak 1000 data tinggi pasang surut dengan beberapa parameter inputan seperti max iterasi, target error, learning rate, jumlah input, dan update learning rate. Pada pengujian ini akan diukur tingkat akurasinya dengan menghitung error rata-rata menggunakan MSE (Means Square Error). Hasil pemodelan terbaik Backpropagation dengan 5 hidden layer, dan nilai learning rate adalah 0,9 menghasilkan nilai MSE 0,0035861

scholarly journals PREDIKSI HARGA JUAL SUKU CADANG IMPOR MESIN ROKOK DENGAN JARINGAN SYARAF TIRUAN

2018 ◽  
Vol 9 (1) ◽  
pp. 67-76
Author(s):  
Evanita Evanita ◽  
Muhammad Malik Hakim
Keyword(s):  
Learning Rate ◽  
Hidden Layer

Industri rokok merupakan industri vital di wilayah Kabupaten Kudus, sehingga kesiapan kinerja mesin rokok yang menjadi salah satu penggerak utama pabrik rokok menjadi sangat penting. Salah satu cara untuk menjaga agar mesin rokok senantiasa siap bekerja adalah menjaga ketersediaan suku cadang mesin rokok, terutama Garniture. Permasalahan utama yang menjadi kendala adalah adanya fluktuasi biaya-biaya dan kurs mata uang, yang membuat harga Garniture menjadi fluktuatif dan membahayakan kelangsungan hidup dari perusahaan pemasok. Penelitian ini menggunakan Metode Jaringan Syaraf Tiruan untuk memprediksi harga jual Garniture ke industri rokok. Prediksi harga jual ini membuat perusahaan pemasok dan industri rokok mengetahui prediksi harga yang cukup akurat dan selanjutnya dapat melakukan antisipasi kerugian dan hal lain yang tidak diinginkan terkait dengan fluktuasi harga yang terjadi ketika dilakukan proses pembelian. Untuk memprediksi harga jual Garniture yang tidak menentu tersebut digunakan algoritma Backpropagation dari Jaringan Syaraf Tiruan. Terkait dengan proses training dan testing yang telah dilaksanakan menggunakan algoritma Backpropagation dari Jaringan Syaraf Tiruan dengan 24 inputan, 10 hidden layer, learning rate 0,1 dan 1 output, diperolehhasil yang cukup baik dengan nilai error atau MSE yang pada proses training sebesar 0,00099001 dan MSE pada proses testing sebesar 0,19113.

scholarly journals Analisis Pengenalan Bendera Negara Rumpun Melayu Menggunakan Metode Feed Forward Neural Network

2020 ◽  
Vol 10 (2) ◽  
pp. 144-152
Author(s):  
H Santoso ◽  
D Murdianto
Keyword(s):  
Neural Network ◽  
Artificial Intelligence ◽  
Learning Rate ◽  
Feed Forward Neural Network ◽  
Feed Forward ◽  
Brunei Darussalam ◽  
Hidden Layer

Telah dilakukan analisis pada sistem pengenalan gambar empat buah bendera negara rumpun melayu secara digital. Negara tersebut adalah Indonesia, Malaysia, Singapura, dan Brunei Darussalam. Tujuan dari penelitian ini adalah sebagai bentuk langkah awal dalam melatih sistem Artificial Intelligence (Kecerdasan Buatan) dalam membedakan empat buah negara rumpun melayu berdasarkan warna dan motif bendera pada sebuah peta digital. Proses analisis dan pelatihan pengenalan bendera tersebut menggunakan metode Feed Forward Neural Network (FFNN). Hasilnya menunjukkan bahwa penggunaan 4 buah Hidden Layer, serta penggunaan Learning Rate 0,5 memberikan kemampuan pengenalan citra bendera secara tepat dengan persentase akurasi rata-rata mencapai 74,15%.

scholarly journals Implementasi Jaringan Syaraf Tiruan Backpropagation untuk Deteksi Penyakit Tuberculosis (TB) Paru dari Citra Rontgen

2017 ◽  
Vol 6 (1) ◽  
pp. 61-66
Author(s):  
Ledyva Depinta ◽  
Zulfi Abdullah
Keyword(s):  
Learning Rate ◽  
Median Filtering ◽  
Target Error ◽  
Hidden Layer

Telah dilakukan implementasi Jaringan Syaraf Tiruan (JST) Backpropagation untuk deteksi penyakit tuberculosis (TB) paru dari citra rontgen. Input yang digunakan untuk pelatihan JST adalah citra foto rontgen paru-paru yang terdiri dari TB paru dan paru-paru normal. Proses ini diawali dengan pengolahan citra yaitu cropping, resizing, median filtering, BW Labelling dan ekstraksi fitur menggunakan wavelet haar untuk melakukan pengenalan pola penyakit TB paru. Ekstraksi fitur citra foto rontgen menggunakan fitur energi dan koefisien setiap subband yang kemudian dimasukkan ke jaringan syaraf tiruan. Pengenalan pola yang dapat dilakukan oleh JST pada penelitian ini adalah pola sebaran warna hitam dan putih dari citra rontgen yang telah melewati proses wavelet haar. Parameter yang digunakan yaitu dengan 3 hidden layer, 1 output, learning rate 0,7 dan target error 1000. Hasil pengujian JST backpropagation untuk deteksi penyakit TB paru diperoleh akurasi 79,41% dalam mendeteksi keabnormalan dari citra foto rontgen paru. Kata kunci : Jaringan syaraf tiruan backpropagation, foto rontgen, TB paru

scholarly journals Artificial Neural Network dalam Menentukan Grading Histopatologi Kanker Payudara

2017 ◽  
Vol 19 (2) ◽  
pp. 176
Author(s):  
Agoes Santika Hyperastuty
Keyword(s):  
Breast Cancer ◽  
Neural Network ◽  
Artificial Neural Network ◽  
Learning Rate ◽  
Gray Level ◽  
Artificial Neural ◽  
Hidden Layer

Abstrak Kanker payudara adalah jenis tumor ganas utama yang diamati pada wanita dan pengobatan yang efektif tergantung pada diagnosis awalnya. Standar emas pemeriksaan kanker payudara adalah pemeriksaan histopatologis sel kanker. Penentuan kadar pada kanker payudara ditentukan oleh tiga faktor: pleomorfik, pembentukan tubular dan mitosis sel. Dalam tulisan ini mengacu pada formasi pleumorfic dan tubular oleh gambar histopatologi sel payudara. Sistem yang diusulkan terdiri dari empat langkah utama: preprocessing, segmentation, ekstrasi fitur dan identifikasi. Pada proses segmentasi  menggunakan metode K-Means Clustering yaitu mengelompokkan data menurut kesamaan warna dan bentuk. Hasil dari K-Means tersebut berupa matrik.  Ekstraksi fitur menggunakan Gray level Cooccurence Matrix (GLCM) yaitu  tingkat keabuan masing-masing citra yang dilihat dari  4 fiturnya adalah kontras, energi, entropi dan homogenitas. Langkah terakhir adalah identifikasi menggunakan Backpropagation. Beberapa parameter penting akan divariasikan dalam proses ini seperti learning rate dan jumlah node pada hidden layer. Hasil penelitian menunjukkan bahwa fitur ekstraksi dalam 4 fitur adalah akurasi terbaik berdasarkan kelas 81,1% dan khususnya ketepatannya adalah 80%.Kata kunci—Histopatologic breast cancer, kmeans, GLCM, Backpropagation

scholarly journals Analisis Sentimen Twitter untuk Menilai Opini Terhadap Perusahaan Publik Menggunakan Algoritma Deep Neural Network

2021 ◽  
Vol 7 (2) ◽  
pp. 108-118
Author(s):  
Erwin Yudi Hidayat ◽  
Raindy Wicaksana Hardiansyah ◽  
Affandy Affandy
Keyword(s):  
Neural Network ◽  
Deep Neural Network ◽  
Application Programming Interface ◽  
Learning Rate ◽  
Application Programming ◽  
Hidden Layer ◽  
Programming Interface

Dalam menaikkan kinerja serta mengevaluasi kualitas, perusahaan publik membutuhkan feedback dari masyarakat / konsumen yang bisa didapat melalui media sosial. Sebagai pengguna media sosial Twitter terbesar ketiga di dunia, tweet yang beredar di Indonesia memiliki potensi meningkatkan reputasi dan citra perusahaan. Dengan memanfaatkan algoritma Deep Neural Network (DNN), neural network yang tersusun dari layer yang jumlahnya lebih dari satu, didapati hasil analisa sentimen pada Twitter berbahasa Indonesia menjadi lebih baik dibanding dengan metode lainnya. Penelitian ini menganalisa sentimen melalui tweet dari masyarakat Indonesia terhadap sejumlah perusahaan publik dengan menggunakan DNN. Data Tweet sebanyak 5504 record didapat dengan melakukan crawling melalui Application Programming Interface (API) Twitter yang selanjutnya dilakukan preprocessing (cleansing, case folding, formalisasi, stemming, dan tokenisasi). Proses labeling dilakukan untuk 3902 record dengan memanfaatkan aplikasi Sentiment Strength Detection. Tahap pelatihan model dilakukan menggunakan algoritma DNN dengan variasi jumlah hidden layer, susunan node, dan nilai learning rate. Eksperimen dengan proporsi data training dan testing sebesar 90:10 memberikan hasil performa terbaik. Model tersusun dengan 3 hidden layer dengan susunan node tiap layer pada model tersebut yaitu 128, 256, 128 node dan menggunakan learning rate sebesar 0.005, model mampu menghasilkan nilai akurasi mencapai 88.72%. 

scholarly journals Peramalan Jumlah Tersangka Penyalahgunaan Narkoba Menggunakan Metode Multilayer Perceptron

2019 ◽  
pp. 143
Author(s):  
Putu Githa Pratiwi ◽  
I Ketut Gede Darma Putra ◽  
Desy Purnami Singgih Putri
Keyword(s):  
Data Mining ◽  
Multilayer Perceptron ◽  
Learning Rate ◽  
Hidden Layer

Tersangka penyalahgunaan narkoba jumlahnya terus mengalami peningkatan di Provinsi Bali. Peramalan dapat digunakan untuk memprediksi jumlah tersangka pada tahun selanjutnya. Hasil peramalan dapat digunakan dalam mendukung pemerintah untuk lebih serius mengantisipasi penyalahgunaan narkoba. Peramalan dilakukan menggunakan Metode Multilayer Perceptron. Peramalan dilakukan berdasarkan data jumlah tersangka penyalahgunaan narkoba di Provinsi Bali. Peramalan menggunakan beberapa aristektur Multilayer Perceptron untuk mendapatkan hasil yang paling baik. Hasil pelatihan menunjukkan, arsitektur Multilayer Perceptron yang paling baik adalah dengan hidden layer 3,2 dan learning rate 0.1. Persentase kesalahan yang dihasilkan adalah 3.7%. Hasil peramalan menunjukkan jumlah tersangka diprediksi mengalami penurunan pada Tahun 2019 menjadi 881 orang. Kata kunci: Data Mining, Narkoba, Peramalan, Multilayer Perceptron

scholarly journals Robustness of Imputation Methods with Backpropagation Algorithm in Nonlinear Multiple Regression

2021 ◽  
Author(s):  
Castro Gbememali Hounmenou ◽  
Boris Milognon Behingan ◽  
Christophe Chrysostome ◽  
Kossi Essona Gneyou ◽  
Romain Lucas Glele Kakaï
Keyword(s):  
Random Forest ◽  
Parameters Estimation ◽  
Learning Rate ◽  
Linear Functions ◽  
Performance Criteria ◽  
Backpropagation Algorithm ◽  
Imputation Methods ◽  
Data Rates ◽  
Hidden Layer ◽  
Mlp Model

Missing observations constitute one of the most important issues in data analysis in applied research studies. The magnitude and their structure impact parameters estimation in the modeling with important consequences for decision-making. This study aims to evaluate the efficiency of imputation methods combined with the backpropagation algorithm in a nonlinear regression context. The evaluation is conducted through a simulation study including sample sizes (50, 100, 200, 300 and 400) with different missing data rates (10, 20, 30 40 and 50%) and three missingness mechanisms (MCAR, MAR and MNAR). Four imputation methods (Last Observation Carried Forward, Random Forest, Amelia and MICE) were used to impute datasets before making prediction with backpropagation. 3-MLP model was used by varying the activation functions (Logistic-Linear, Logistic-Exponential, TanH-Linear and TanH-Exponentiel), the number of nodes in the hidden layer (3 - 15) and the learning rate (20 - 70%). Analysis of the performance criteria (R2, r and RMSE) of the network revealed good performances when it is trained with TanH-Linear functions, 11 nodes in the hidden layer and a learning rate of 50%. MICE and Random Forest were the most appropriate for data imputation. These methods can support up to 50% of missing rate with an optimal sample size of 200.

scholarly journals Analisis Jaringan Saraf Tiruan Dengan Metode Backpropagation Untuk Mendeteksi Penyebaran Deman Berdarah dengan Visualisasi Sistem Informasi Geografis

2021 ◽  
Author(s):  
Mohamad Arif Suryawan
Keyword(s):  
Learning Rate ◽  
Output Layer ◽  
Hidden Layer

Penilitian ini bertujuan untuk memprediksi penyebaran penyakit demam berdarah pada suatu wilayah, dengan menggunakan pengenalan pola Jaringan Syaraf Tiruan Backpropagation, Data yang digunakan adalah input Backpropogation kemudiandengan percobaan trial dan errror digunakanlah 4 parameter input, 5 hidden layer, dan 1 output layer, penyesuaian bobot dan bias, dengan learning rate 0.1 dan momentum untuk mengurangi nilai error, sehingga didapatkan dari hasil pengujian prediksi kasus demam berdarah yang akan terjadi di kota makassar, Kabupaten Maros dan Kabupaten Gowa pada tahun 2012 . Dengan Sistem Informasi Geografis (SIG) ditampilkan visualisasi daerah mana yang tingkat penyebaran deman berdarahnya paling tinggi.

Sign in / Sign up

Export Citation Format

Share Document