Abstract:Abstract: This system for predicting volcanic eruptions will produce information that can help BMKG in making decisions to provide warnings to residents around the mountain. This will also help in mitigating volcanic eruptions,…
ptions, evacuating residents in volcanic eruptions. By using artificial neural networks with the backpropagation method, it can be used to predict volcanic eruptions. To conduct this test, criteria and factors that influence this volcanic eruption are needed. This method is tested using Matlab 6.1 software. In this test, various patterns will be carried out to compare the results of the network. From the various patterns tested, it can be seen that the number of epochs used affects the test results and will achieve the desired goal. The more epochs used, the faster the goal will be achieved. Where in the 4-2-1 pattern the goal was found in the 7th epoch with an error value of 0.0987135. This 4-2-1 pattern states that this network is tested with 4 input layers, 2 hidden layers and 1 output layer. The α value (α = learning rate) used is the Default value of 0.1. With this backpropagation method, you get more accurate results by getting smaller error values.
Keywords: backpropagation, matlab 6.1, layer, epoch, goal
Abstrak: Sistem untuk memprediksi gunung meletus ini akan menghasilkan informasi yang bisa membantu BMKG dalam mengambil keputusan untuk memberikan peringatan kepada warga sekitar gunung. Hal ini juga akan membantu dalam mitigasi bencana gunung meletus , evakuasi warga sekitar dalam bencana gunung meletus. Dengan menggunakan jaringan saraf tiruan dengan metode backpropagation bisa digunakan untuk memprediksi gunung meletus. Untuk melakukan pengujian ini dibutuhkan kriteria dan faktor yang mempengaruhi gunung meletus ini. Metode ini diuji dengan menggunakan software Matlab 6.1. Pada pengujian ini akan dilakukan dengan berbagai pola untuk membandingkan hasil dari jaringan tersebut. Dari berbagai pola yang diuji dapat dilihat bahwa jumlah epoch yang dipakai mempengaruhi hasil pengujian dan akan mencapai goal yang diinginkan. Semakin banyak epoch yang dipakai maka akan semakin cepat goal tersebut dicapai. Dimana pada pola 4-2-1 goal ditemukan pada epoch ke 7 dengan nilai eror 0,0987135. Pola 4-2-1 ini menyatakan bahwa jaringan ini diuji dengan 4 jumlah input layer, 2 hidden layer dan 1 output layer. Nilai α (α = learning rate) yang digunakan adalah nilai Default yaitu 0.1. Dengan metode backpropagation ini mendapatkan hasil yang lebih akurat dengan mendapatkan nilai eror yang lebih kecil .
Kata kunci: backpropagation ; epoch ; goal ; layer ; matlab 6.1
Abstract:Abstract: The habit of smoking is dangerous because of the addictive substances that make cigarettes addictive. Its addictive nature poses a significant risk, affecting personality with stress, depression and nervous disorders.…
orders. Body factors that indicate smoking include blood sugar levels, dental caries, and hemoglobin. To address this, research has been conducted with focused efforts to understand and address the risks associated with smoking and its impact on overall health. This research aims to choose the best method for predicting smokers by using feature selection techniques. The feature selection algorithms uses for that are Analysis of Variance (ANOVA), Recursive Feature Elimination (RFE), and Genetic Algorithm (GA) to select optimal attributes and uses the k-fold cross validation technique as the validation of the Artificial Neural Network algorithm. The data includes various parameters such as age, height, weight, vision, blood pressure, cholesterol, triglycerides, hemoglobin, AST, ALT, GTP, gender, dental caries and tartar. Hearing ability, urine protein content, and tartar were selected. The results showed that using the Analysis of Variance method showed higher accuracy (77.101%) compared to the Genetic Algorithm method (74.64%) and the Recursive Feature Elimination method (76.08%). Selection of relevant attributes increases the predictions and insights of the Artificial Neural Network model about the effects of smoking on health.
Keywords: artificial neural network; analysis of variance; genetic algorithm; recursive feature elimination; smoker prediction
Abstrak: Kebiasaan merokok berbahaya karena adanya zat adiktif yang membuat rokok menjadi ketagihan. Sifatnya yang membuat ketagihan menimbulkan risiko yang signifikan, mempengaruhi kepribadian dengan stres, depresi, dan gangguan saraf. Faktor tubuh yang mengindikasikan kebiasaan merokok antara lain kadar gula darah, karies gigi, dan hemoglobin. Untuk mengatasi hal ini, penelitian telah dilakukan dengan upaya terfokus untuk memahami dan mengatasi risiko yang terkait dengan merokok dan dampaknya terhadap kesehatan secara keseluruhan. Penelitian ini bertujuan untuk memilih metode terbaik dalam memprediksi perokok dengan menggunakan teknik seleksi fitur. Metode seleksi fitur yang digunakan adalah Analysis of Variance (ANOVA), Recursive Feature Elimination (RFE), dan Genetic Algorithm (GA) untuk memilih atribut yang optimal dan menggunakan teknik k-fold cross validation sebagai validasi algoritma Artificial Neural Network. Data tersebut mencakup berbagai parameter seperti umur, tinggi badan, berat badan, penglihatan, tekanan darah, kolesterol, trigliserida, hemoglobin, AST, ALT, GTP, jenis kelamin, karies gigi dan karang gigi. Kemampuan pendengaran, kandungan protein urin, dan karang gigi dipilih. Hasil penelitian menunjukkan bahwa penggunaan metode Analysis of Variance menunjukkan akurasi yang lebih tinggi (77,101%) dibandingkan dengan metode Genetic Algorithm (74,64%) dan metode Recursive Feature Elimination (76,08%). Pemilihan atribut yang relevan meningkatkan prediksi dan wawasan model Jaringan Syaraf Tiruan tentang dampak merokok terhadap kesehatan.
Kata kunci: artificial neural network; analysis of variance; genetic algorithm; prediksi perokok; recursive feature elimination
Abstract:Abstract: Increasing living standards cause an increase in the need for drinking water. However, current water supply estimates are still not optimal, with water production sometimes being more or less than requirements.…
To estimate the amount of water, an appropriate method is needed. The method used in this research is the back propagation algorithm artificial neural network method. When developing forecasts, past data is necessary to produce accurate results. This research aims to develop a predictive model that can estimate the volume of water that will be used by PDAM Tirtauli in the future. It is hoped that this predictive model can help PDAMs in planning more efficient water supply management and can reduce the potential for water supply shortages in the future. This research uses water distribution data for the 2015-2022 period. Training data starts in 2015-2021, testing data starts in 2016-2022. In this research, results were obtained using the Matlab R2011a application. In this research, the 5 architectures used are architecture 6-53-1, 6-58-1, 6-61-1, 6-81-1, 6-87-1. Based on these five architectures, the best architecture was obtained, namely architecture 6-87-1 with a root mean square error test value of 0.00010031 and an accuracy of 92%. The results achieved in 2023 are the total water volume of PDAM Tirtauli Pematangsiantar of 189,610,426.
Keywords: backpropagation; distribution; PDAM; prediction; water
Abstrak: Meningkatnya taraf hidup menyebabkan meningkatnya kebutuhan akan air minum. Namun, perkiraan pasokan air saat ini masih belum optimal, dengan produksi air kadang-kadang lebih atau kurang dari kebutuhan. Untuk memperkirakan jumlah air diperlukan suatu metode yang sesuai. Metode yang digunakan dalam penelitian ini adalah metode jaringan syaraf tiruan algoritma back propagation. Saat mengembangkan perkiraan, data masa lalu diperlukan untuk menghasilkan hasil yang akurat. Penelitian ini bertujuan untuk mengembangkan model prediktif yang dapat memperkirakan volume air yang akan digunakan oleh PDAM Tirtauli di masa mendatang. Model prediktif ini diharapkan dapat membantu PDAM dalam perencanaan pengelolaan pasokan air yang lebih efisien dan dapat mengurangi potensi kekurangan pasokan air pada masa yang akan datang. Penelitian ini menggunakan data sebaran air periode 2015-2022. Data pelatihan dimulai pada tahun 2015-2021, data pengujian dimulai pada tahun 2016-2022. Pada penelitian ini diperoleh hasil dengan menggunakan aplikasi Matlab R2011a. Pada penelitian ini 5 arsitektur yang digunakan adalah arsitektur 6-53-1, 6-58-1, 6-61-1, 6-81-1, 6-87-1. Berdasarkan kelima arsitektur tersebut diperoleh arsitektur terbaik yaitu arsitektur 6-87-1 dengan nilai uji root mean square error sebesar 0,00010031 dan mendapatkan akurasi sebesar 92%. Hasil yang dicapai pada tahun 2023 adalah total volume air PDAM Tirtauli Pematangsiantar sebesar 189.610.426.
Kata Kunci: air; backpropagation; distribusi; PDAM; prediksi
Abstract:Abstract: Rokan Hulu Regency is one of the regencies in Riau Province and has 2 large rivers, namely the Rokan Kanan River and the Rokan Kiri River. When the level of rainfall is high, the river flow overflows and causes…
flooding in several sub-districts. Climate change that is happening has an impact on changes in rainfall patterns, to overcome the impacts of climate change Rokan Hulu Regency needs to take early steps before a flood disaster occurs. The method used in processing the data is the backpropagation method and data processing using the Matlab software. Data processing was carried out on rainfall data for the last 6 years, from 2015 to 2020, which was sourced from the Rokan Hulu Regency Statistics Agency. Rainfall data from 2015 to 2019 is used as input data, while 2020 is the target. The data processing stage begins with data normalization and determining network training parameters. Artificial neural network research was carried out on rainfall data with a 5-5-1 architecture. The results of testing the rainfall data show prediction results with high accuracy, where the average accuracy rate reaches 98.17% with the highest accuracy of 99.99% while the lowest accuracy is 91.53%. The prediction results show a fairly high level of accuracy so that they can be used as evaluation material.
Keywords: artificial neural network; backpropagation; prediction; rainfall
Abstrak: Kabupaten Rokan Hulu merupakan salah satu kabupaten yang berada di Provinsi Riau dan memiliki 2 aliran sungai besar yaitu sungai rokan kanan dan sungai rokan kiri. Ketika tingkat curah hujan tinggi aliran sungai meluap dan menyebabkan banjir beberapa kecamatan. Perubahan iklim yang terjadi memberikan dampak pada perubahan pola curah hujan, untuk menanggulangi dampak perubahan iklim Kabupaten Rokan Hulu perlu melakukan langkah-langkah dini sebelum terjadi bencana banjir. Metode yang digunakan dalam mengolah data yaitu metode backpropagation dan pengolahan data menggunakan software Matlab. Pengolahan data dilakukan pada data curah hujan selama 6 tahun terakhir yaitu dari tahun 2015 sampai dengan 2020 yang bersumber dari Badan Statistik Kabupaten Rokan Hulu. Data curah hujan tahun 2015 sampai dengan tahun 2019 sebagai data input sedangkan tahun 2020 sebagai target. Tahapan pengolahan data diawali dengan melakukan normalisasi data dan menentukan parameter pelatihan jaringan. Penelitian jaringan saraf tiruan dilakukan pada data curah hujan dengan arsitekur 5-5-1. Hasil pengujian terhadap data curah hujan menunjukkan hasil prediksi dengan akurasi yang tinggi, dimana tingkat akurasi rata-rata mencapai 98,17% dengan akurasi tertinggi sebesar 99,99% sedang akurasi terendah sebesar 91,53%. Hasil prediksi menunjukkan tingkat akurasi yang cukup tinggi sehingga dapat digunakan sebagai bahan evaluasi.
Kata kunci: backpropagation; curah hujan; jaringan saraf tiruan; prediksi
Abstract:Abstract: Gender classification is one of the most important tasks of video analysis. A machine learning-based approach was presented to identify male and female facial images with a data set of 2000 images taken from kaggles. …
ggles. This method plays a role in finding the weight value that gives the best output value. This study uses the most appropriate learning rate of each optimization method as a criterion for stopping training. The results showed that the Artificial Neural Network with Adam optimization produced the highest accuracy, which was 91.5% compared to the SGD and ADADELTA optimization methods. Deep Learning techniques that are applied extensively to image recognition used utilize Adam's optimizer method.
Keywords: artificial neural networks; adadelta; adam; gender; sgm;
Abstrak: Klasifikasi gender adalah salah satu tugas analisis video yang paling penting. Pendekatan berbasis machine learning disajikan untuk mengidentifikasi gambar wajah Pria dan Wanita dengan kumpulan data sebanyak 2000 gambar yang diambil dari kaggle. Metode ini berperan dalam menemukan nilai bobot yang memberikan nilai keluaran terbaik. Penelitian ini menggunakan learning rate yang paling sesuai dari masing-masing metode optimasi sebagai kriteria pemberhentian pelatihan. Hasil penelitian menunjukkan Jaringan Saraf Tiruan dengan optimasi Adam menghasilkan akurasi tertinggi yaitu 91,5 % dibandingkan dengan dengan metode optimasi SGD dan ADADELTA. Teknik Deep Learning yang diterapkan secara ekstensif pada pengenalan gambar yang digunakan memanfaatkan metode optimizer Adam.
Kata kunci: Adadelta; Adam; Jaringan Syaraf; Gender; Tiruan; SGM;
Abstract:Abstract: Glaucoma is the second leading eye disease of blindness after cataracts. An ophthalmologist does a glaucoma examination with an eye screening that will produce a retinal image. The diagnosis's result of the retinal…
inal image is subjective because each doctor has dissent and a condition experienced. This research builds a system to identify retinal images in the category of glaucoma or normal patients. The purpose of this system as a tool is to help ophthalmologists diagnose glaucoma. This process begins by changing the colour of an image to validity. The image is extracted using the Gray Level Co-occurrence Matrix (GLCM) and produces five features than the result of the five features used as input to neural network Learning Vector Quantization (LVQ). The amount of retinal image data used 60 data for learning and 20 for testing. And the number of neurons used is 12, and the epoch of as many as 1000 was obtained based on the results comparison of variations against 8, 10, 12, 18, and 20 neurons with 500, 900, 1000, and 1100 epochs. The learning process results from the value of weights that will be used in the testing process. The results of this study obtained an accuracy rate of 85%, a precision of 89%, and a recall of 80%.
Keywords: glaucoma; LVQ; GLCM
Abstrak: Glaukoma merupakan penyakit mata penyebab kebutaan nomor dua setelah katarak. Pemeriksaan penyakit glaukoma dilakukan oleh dokter spesialis mata dengan cara skrining mata yang akan menghasilkan citra retina. Hasil diagnosa citra retina oleh dokter bersifat subjektif karena setiap dokter memiliki pendapat yang berbeda serta kondisi yang dialami. Penelitian ini membangun sistem untuk mengidentifikasi citra retina mata kedalam kategori penderita glaukoma atau normal. Tujuan pembuatan sistem ini sebagai alat bantu bagi dokter mata dalam mendiagnosa glukoma. Proses ini diawali dengan mengubah warna citra menjadi keabuan, kemudian citra tersebut diekstraksi menggunakan Gray Level Co-occurrence Matrix (GLCM) dan menghasilkan lima nilai fitur yang kemudian hasil dari kelima fitur tersebut digunakan sebagai masukan jaringan syaraf tiruan Learning Vector Quantization (LVQ). Jumlah data citra retina yang digunakan sebanyak 60 data untuk learning dan 20 data untuk testing. Dan untuk jumlah neuron yang digunakan yaitu 12 dan epoch sebanyak 1000 yang didapat berdasarkan hasil perbandingan variasi terhadap neuron sejumlah 8, 10, 12, 18, 20 dengan jumlah epoch sejumlah 500, 900, 1000 dan 1100. Hasil dari proses learning yaitu nilai bobot yang akan digunakan sebagai bobot di proses testing. Hasil penelitian ini diperoleh tingkat akurasi sebesar 85%, presisi sebesar 89% dan recall sebesar 80%.
Kata kunci: glaukoma; LVQ; GLCM
Abstract:Abstract: The population growth in Indonesia is increasing rapidly every year, so to help the government control the population growth through family planning programs, especially in the city of Batam. This study explains…
s and describes one of the Artificial Terms Network methods, namely Backpropagation, where this method can predict what will happen in the future using data and information in the past. This study aims to predict the birth rate in the city of Batam to help the government with the family planning program. The data used is the annual data on the number of births in the city of Batam in 2016-2020 at The Civil Registry Office. To facilitate the analysis of research data, the data were tested using Matlab R2015b. In this study, the training process was carried out using 3 network architectures, namely 4-10-1, 5-18-1, and 4-43-1. Of these 3 architectures, the best is the 4-43-1 architecture with an accuracy rate of 91% and an MSE value of 0.0012205. The Backpropagation method can predict the amount of population growth in the city of Batam based on existing data in the past.
Keywords: artificial neural network; backpropagation; prediction
Abstrak: Pertumbuhan jumlah penduduk diindonesia yang setiap tahun meningkat dengan pesat, maka untuk membantu pemerintah mengendalikan jumlah pertumbuhan penduduk melalui program keluarga berencana khususnya dikota Batam. Penelitian ini menjelaskan dan memaparkan tentang salah satu metode Jaringan Syarat Tiruan yaitu Backpropagation, dimana metode ini dapat memprediksi apa yang akan terjadi masa yang akan datang dengan menggunakan data dan informasi dimasa lalu. Penelitian ini bertujuan untuk memprediksi tingkat kelahiran di kota Batam sehingga membatu pemerintah untuk perencanaan keluarga berencana. Data yang digunakan yaitu data tahunan jumlah kelahiran di kota Batam pada tahun 2016-2020 pada Dinas Kependudukan dan Catatan Sipil. Untuk mempermudah analisis data penelitian maka, data diuji menggunakan Matlab R2015b. Pada penelitian ini dilakukan proses pelatihan menggunakan 3 arsitektur jaringan yaitu 4-10-1, 5-18-1, dan 4-43-1. Dari ke-3 arsitektur ini yang terbaik adalah arsitektur 4-43-1 dengan tingkat akurasi sebesar 91% dan nilai MSE 0,0012205. Metode backpropagation mampu memprediksi jumlah pertumbuhan penduduk di kota Batam berdasarkan data yang ada dimasa lalu.
Kata kunci: backpropagation; jaringan syaraf tiruan; prediksi
Abstract:Abstract: Tiansi is a company that markets health products. This company has difficulty predicting people's interest in products that are in high demand. By knowing precisely the consumer interest in the product, it will…
increase sales. The research aims to predict consumer interest in Tiansi products appropriately. The method used is one of the Artificial Neural Network (ANN) techniques, namely Backpropagation with Momentum. The sales data tested were sourced from Stockist 319 Padang. The results of this research that can precisely determine consumer interest are architecture 5-2-1 and 5-3-1. So that this research is very helpful in the procurement of goods to increase the value of sales.
Keywords: Artificial neural network, backpropagation, consumer interest rates, predictions.
Abstrak: Tiansi merupakan sebuah perusahaan yang memasarkan produk-produk kesehatan. Perusahaan ini mengalami kesulitan dalam memprediksi minat masyarakat terhadap produk yang sangat diminati. Dengan mengetahui dengan tepat minat konsumen terhadap produknya, maka akan dapat meningkatkan penjualan. Penelitian ini bertujuan untuk memprediksi minat konsumen terhadap produk Tiansi dengan tepat. Metode yang digunakan salah satu teknik Artificial Neural Network (ANN), yaitu Backpropagation dengan Momentum. Data penjualan yang diuji bersumber dari Stokist 319 Padang. Hasil dari penelitian ini yang dapat dengan tepat menentukan minat konsumen adalah arsitektur 5-2-1 dan 5-3-1. Sehingga penelitian ini sangat membantu sekali dalam pengadaan barang untuk meningkatkan nilai penjualan.
Kata kunci: Jaringan Syaraf Tiruan, Backpropagation, prediksi, minat konsumen, penjualan.
Abstract:Kelapa sawit merupakan komoditas unggulan utama Indonesia, tanaman yang produk utamanya yaitu sawit mentah ini memiliki nilai ekonomis tinggi sehingga menjadi salah satu devisa negara yang terbesar dibandingkan dengan komoditas…
moditas perkebunan lainnya. Dalam proses prediksi harga jual kelapa sawit, diperlukan data berupa faktor-faktor yang mempengaruhi harga jual itu sendiri sehingga di peroleh prediksi untuk waktu yang akan datang. Metode prediksi yang digunakan dalam system ini adalah metode Jaringan Syaraf Tiruan Backpropagation merupakan metode yang sangat baik dalam proses pengenalan pola mengingat kemampuannya dalam mengadaptasikan kondisi jaringan dengan data yang diberikan dengan proses pembelajaran. Hasil dari metode Backpropagation berupa prediksi harga harga jual kelapa sawit untuk waktu yang akan datang.
Abstract:Abstract: Enormous logistical needs on General Hospital Kartini range to facilitate treatment requires a system that can predict to meet those needs with the right so as not to result in advantages and disadvantages to the…
he amount of usage that is always changing every year. At this time the calculations have been carried out with the help of software that is on a high-speed computer such as Neural Networks. Neural networks are used to predict the projection Backpropogation logistics patients based on the type of drugs Analgesics, antiemetics, vitamins, Antiepileptic, Anesthesia, Anti-Parkinson, Psychotherapeutic, Corticosteroids. This logistical projection data processing using software of Matlab 6.1. After using Backpropogation finally found the best architectural pattern is 8-3-3-1 of 5 aritektur architecture that has been tested. Of the pattern is then predicted projection logistics at General Hospital Kartini range in 2014 will increase to 91 290 from 65 422 in 2013 for an increase of 25 868 (28.33%).
Keywords: neural networks, backpropagation algorithm, projection logistics, matlab
Abstrak: Kebutuhan logistik yang sangat besar pada Rumah Sakit Umum Ibu Kartini Kisaran untuk memperlancar pengobatan membutuhkan suatu sistem yang bisa memprediksi untuk memenuhi kebutuhan tersebut dengan tepat agar tidak mengakibatkan kelebihan dan kekurangan terhadap jumlah pemakaian yang selalu berubah setiap tahunnya. Pada saat ini proses perhitungan telah banyak dilakukan dengan bantuan software-software yang ada pada komputer yang berkecepatan tinggi seperti Jaringan Saraf Tiruan. Jaringan Saraf Tiruan Backpropogation digunakan untuk memprediksi proyeksi logistik pasien berdasarkan jenis obat Analgetik, Antiemetik, Vitamin, Antiepilepsi, Anestesi, Anti Parkinson, Psikofarmaka, Kortikosteroid. Pengolahan data proyeksi logistik ini menggunakan software Matlab 6.1. Setelah menggunakan Backpropogation akhirnya ditemukan pola arsitektur yang terbaik yaitu arsitektur 8-3-3-1 dari 5 arsitektur yang telah diujikan. Dari pola tersebut kemudian diprediksi proyeksi logistik di Rumah Sakit Umum Ibu Kartini Kisaran pada tahun 2014 akan meningkat menjadi 91290 dari tahun 2013 sebesar 65422 atau meningkat sebesar 25868 (28,33%).
Kata Kunci: jaringan saraf tiruan, algoritma backpropagation, proyeksi logistik, matlab