Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Sains, Aplikasi, Komputasi dan Teknologi Informasi

Pengenalan Karakter Tulisan Menggunakan Metode Backpropagation Neural Network Ni’mah Moham; Felix Andika Dwiyanto; Herman Santoso Pakpahan; Islamiyah Islamiyah; Hario Jati Setyadi
Sains, Aplikasi, Komputasi dan Teknologi Informasi Vol 1, No 2 (2019): Sains, Aplikasi, Komputasi dan Teknologi Informasi
Publisher : Universitas Mulawarman

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (805.763 KB) | DOI: 10.30872/jsakti.v1i2.2601

Abstract

Artikel ini bertujuan untuk menjelaskan langkah-langkah kerja metode Backpropagation Neural Network (BPNN) dalam mengenali pola Aksara Lontara Bugis Makassar dan menjelaskan seberapa akurat dalam mengenali pola aksara Lontara Bugis Makassar. Dari hasil pengujian, diperoleh tingkat akurasi sebesar 76.08%, dengan parameter learning rate sebesar 0,02, epoch maksimum sebesar 50 epoch dan hidden layer sebanyak 90 neuron berdasarkan ciri 8. Adapun, performa mean square error (MSE) sebesar 0.00424 telah diperoleh. Namun demikian, waktu yang dibutuhkan saat proses pembelajaran terbilang cukup lama yaitu 16 menit 56 detik. Berdasarkan hasil pengujian metode BPNN dapat direkomendasikan untuk mengenali pola aksara Lontara Bugis Makassar dalam rangka menunjang pembelajaran kepada masyarakat.
Pengenalan Karakter Tulisan Menggunakan Metode Learning Vector Quantization Dinda Izmya Nurpadillah; Haviluddin Haviluddin; Herman Santoso Pakpahan; Islamiyah Islamiyah; Hario Jati Setyadi
Sains, Aplikasi, Komputasi dan Teknologi Informasi Vol 1, No 2 (2019): Sains, Aplikasi, Komputasi dan Teknologi Informasi
Publisher : Universitas Mulawarman

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (793.91 KB) | DOI: 10.30872/jsakti.v1i2.2602

Abstract

Artikel ini mengimplementasikan metode Learning Vector Quantization (LVQ) dalam mengenali pola aksara Sunda. Berdasarkan hasil eksperimen dengan berbagai parameter seperti learning rate dan jumlah hidden layer maka metode LVQ cukup akurat dalam mengenali pola aksara Sunda dengan nilai akurasi sebesar 6.66% dari data yang berhasil dikenali sebanyak 28 data dengan total data uji sebanyak 42 data dengan variasi learning rate sebesar 0.01 dan jumlah hidden layer sebanyak 90 layer. Hasil akurasi tersebut didapatkan dengan waktu pembelajaran yaitu selama 17 menit 22 detik. Adapun mean square error (MSE) yang dihasilkan sebesar 0.0408. Dari hasil akurasi, MSE dan waktu pembelajaran yang didapatkan maka dapat dikatakan metode LVQ belum optimal dalam memecahkan masalah pengenalan pola terutama aksara Sunda. Teknik optimalisasi kepada proses pembelajaran LVQ dengan algoritma-algoritma optimasi merupakan rencana penelitian selanjutnya.
Peramalan Curah Hujan Dengan Pendekatan Adaptive Neuro Fuzzy Inference System Chrisman Bonor Sinaga; Haviluddin Haviluddin; Herman Santoso Pakpahan; Anton Prafanto; Hario Jati Setyadi
Sains, Aplikasi, Komputasi dan Teknologi Informasi Vol 1, No 2 (2019): Sains, Aplikasi, Komputasi dan Teknologi Informasi
Publisher : Universitas Mulawarman

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (532.746 KB) | DOI: 10.30872/jsakti.v1i2.2599

Abstract

Analisa peramalan curah hujan yang mendekati kenyataan berdasarkan akurasi yang akurat sangat diperlukan dalam berbagai aktivitas kehidupan manusia. Paper ini bertujuan untuk menerapkan metode Adaptive Neuro Fuzzy Inference System (ANFIS) dalam peramalan curah hujan di Kota Samarinda, Kalimantan Timur. Beberapa parameter ANFIS seperti MF (Fungsi Keanggotaan), Input MF type (Tipe Fungsi Keanggotaan), Learning Rate (Step Size), dan rasio data telah digunakan. Berdasarkan hasil percobaan akurasi peramalan yang diperoleh cukup akurat dengan nilai MSE adalah 0.063290962 untuk rasio data 3:2 dan adalah 0.020498283 rasio data 4:1. Hasil ini menunjukkan bahwa metode ANFIS dapat menjadi alternative metode dalam meramalkan curah hujan di Kota Samarinda, Kalimantan Timur.
Prediksi Tingkat Inflasi Dengan Menggunakan Metode Backpropagation Neural Network Kelvin Wong; Aji Prasetya Wibawa; Herman Santoso Pakpahan; Anton Prafanto; Hario Jati Setyadi
Sains, Aplikasi, Komputasi dan Teknologi Informasi Vol 1, No 2 (2019): Sains, Aplikasi, Komputasi dan Teknologi Informasi
Publisher : Universitas Mulawarman

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (436.462 KB) | DOI: 10.30872/jsakti.v1i2.2600

Abstract

Artikel ini bertujuan untuk memprediksi tingkat inflasi di Kota Samarinda, Kalimantan Timur dengan mengimplementasikan algoritma cerdas, Backpropagation Neural Network (BPNN). Data tingkat inflasi diperoleh dari Biro Pusat Statistik Provinsi (BPS) Kota Samarinda https://samarindakota.bps.go.id/ periode Januari 2012 hingga Januari 2017. Pengukuran akurasi prediksi algoritma BPNN menggunakan metode mean square error (MSE). Berdasarkan hasil percobaan, metode BPNN dengan parameter arsitektur 5-5-5-1; fungsi pembelajaran adalah trainlm; fungsi aktivasi adalah logsig dan purelin; laju pembelajaran adalah 0.1 mampu menghasilkan tingkat kesalahan prediksi yang baik dengan nilai MSE sebesar 0.00000424. Hasil penelitian menunjukkan bahwa algoritma BPNN ini dapat digunakan sebagai alternatif metode dalam memprediksi tingkat inflasi dalam rangka mendukung pertumbuhan ekonomi yang berkesinambungan sehingga dapat meningkatkan kesejahteraan masyarakat di Kota Samarinda, Kalimantan Timur.