Tugas KC Mkpazaahaha
Tugas KC Mkpazaahaha
Kasus-kasus
Jurnal-jurnal
Google scholer
Portal garuda
DOAJ
Materi
Artificial Neural Network (ANN),
TUGAS INDIVIDU
NIM : 132020068
1. Kasus
2. Teori Dasar
a. Sejarah
b. Persamaan (keterangan persamaan)
c. Rule bisnis (cara penyelesaian)
3. Perhitungan
4. Kesimpulan
Referensi
1. Kasus
Pada penelitian ini melakukan penelitian untuk mencari model prediksi curah hujan yang akurat
di berbagai bidang dengan metode kuantitatif. Model yang dibandingkan antara lain yaitu model
Fuzzy,Fast Fourier Transformation (FFT), Emotional Artificial Neural Network(EANN),
(AEEMD-ANN), E-SVR-Artificial Neural Network(E-SVR-ANN), Artificial Neural Network
Backpropagation(BPNN), Adaptive Splines Threshold(ASTAR), Seasonal First-Order
Autoregressive(SAR), Gumbel,Autoregressive Integrated Moving Average(ARIMA), Feed
Forward Neural Network(FFNN), Support Vector Machine(SVM), Adaptive Neuro-Fuzzy
Inference System(ANFIS), dan Artificial Neural Network-Fuzzy(ANN-Fuzzy). Hasil dari
reviewmenyimpulkan bahwa model Artificial Neural Network direkomendasikan untuk
perhitungan prediksi hujan
Dan pada penelitian kedua , Sulitnya memprediksi status kelulusan mahasiswa dalam suatu
perguruan tinggi. Perguruan tinggi perlu memprediksi perilaku mahasiswa dari mahasiswa aktif
sehingga dapat dilihat faktor kegagalan mahasiswa yang tidak lulus tepat waktu. Teknik
klasifikasi data mining yang digunakan untuk memprediksi mahasiswa yaitu menggunkan
artificial neural network. Dalam penelitian ini menggunakanmodel artificial neural network
sebesar 71.48%
2. Teori Dasar
a. Sejarah
Artificial Neural Network adalah bidang ilmu dari kecerdasan buatan yang terinspirasi dari
cara kerja neuron dalam otak manusia yang mampu memberikan stimulasi atau rangsangan,
melakukan proses dan memberikan output.Selama ribuan tahun, manusia telah mempelajari
bagaimana otaknya bekerja. Sebuah perubahan yang besar terjadi pada tahun 1943 ketka
Warren McMulloch, seorang neurofisiologi dan Walter Pitts seorang ahli matematika
menulis makalah tentang cara kerja dari neuron. Mereka memodelkan jaringan syaraf
sederhana menggunakan rangkaian listrik. Pada tahun 1949, Donald Hebb memperkuat
konsep neuron dalam bukunya, The Organization of Behavior yang menunjukkan bahwa
jaringan syaraf diperkuat setiap kali digunakan. Nathanial Rochester kemudian memimpin
penelitian di IBM untuk mensimulasikan neural network pada tahun 1950.John McCarthy
memberikan dorongan yang lebih kuat untuk penelitian Neural Network dengan mengadakan
Konferensi Dartmouth tahun 1956. Setahun kemudian, John Von Neumann menyarankan
untuk meniru fungsi neuron menggunakan relay telegraf atau tabung vakum.Pada tahun
1958, Frank Rosenblatt, seorang ahli biologi saraf dari Cornell, berhasil menemukan sebuah
two-layer-network, yang disebut sebagai Percepton. Perceptron menghitung jumlah input ,
mengurangi treshold, dan meneruskan salah satu dari dua nilai yang mungkin keluar sebagai
hasilnya.Pada tahun 1959, Bernard Widrow dan Marcian Hoff dari Stanford
mengembangkan model ADALINE (Adaptive Linear Elements ) dan MEDALINE (Multiple
Adaptive Linear Elements). Model ini adalah Neural Network pertama yang diterapkan pada
masalah di dunia nyata. Model ini adalah filter adaptif yang menghilangkan gema pada
saluran telepon. Penelitian mengenai Neural Network sempat lesu hingga tahun 1980-an.
Pada tahun 1982, John Hopfield mempresentasikan makalahnya pada National
AcademyofSciences tentang pendekatannya untuk menciptakan perangkat yang berguna,
menyenangkan, pandai berbicara dan kharismatik Untuk saat ini, Neural Network telah
diterapkan pada beberapa taks seperti classification, approximation,
prediction, recognition, memory simulation, clusterization dan jumlahnya semakin
bertambah seiring waktu.
wnew=wold–α∂E∂w
Rumus ini juga berlaku untuk memperbaiki nilai bias:
bnew=bold–α∂E∂b
c. Rule bisnis(cara penyelesaian)
3. Perhitungan
Penelitian yang dilakukan oleh Rachmawati pada tahun 2015 yaitu melakukan percobaan
terhadap arsitektur jaringan ANN untuk mencari metode yang paling optimal dan juga
menganalisis hasil penelitian dalam skala harian, mingguan, dan bulanan dengan
menggunakan parameter kelembapan, tekanan udara, suhu, serta penguapan. Rachmawati
menyimpulkan bahwa skala waktu bulanan lebih akurat daripada skala waktu harian yang
dihasilkan dari model. Pada penelitian ini penjelasan mengenai penyebab perbedaan
tingkat akurasi terhadap skalawaktu seperti harian, mingguan, dan bulanan tidak
diterangkan.Berikut ini Tabel 3 yang merupakan daftar metode yang digunakan dalam
penelitian sebelumnya.
Maka dari penelitian tersebut dihasilkan kesimpulan bahwa model ANN menghasilkan akurasi
yang lebih tinggi daripada FFNN. Penelitian ini hanya menggunakan parameter curah
hujan dan waktu saja, tetapi data yang digunakan data selama 20 tahun pada periode 1994-2014.
4. Kesimpulan
1) Dari proses resumebeberapaliteraturereview, ANN memiliki metode yang mampu
mempelajari pola data dengan baik dibandingkan dengan metode yang lainnya.
Proses yang cepat dalam menghubungkan antara data pembelajaran dan data
outputmenyebabkan ANN memiliki tingkat kecepatan koreksi yang lebih tinggi
dengan memanfaatkan konsep koefisien korelasi. Proses bolak balik
(backpropagation) mampu memperkecil persen kesalahan dari metode ini, sehingga
mesin dianggap masih lebih baik dibandingkan metode yang lain
2) Berdasarkan hasil dari pengujian yang telah dilakukan bahwa pengujian optimasiartificial
neural network menggunakan algoritma genetika untuk kelulusan mahasiswa nilai akurasi
untuk model artificial neural netwok sebesar 71.48% dan akurasi untuk model artificial
neural network berbasis algoritma genetika sebesar 99.33% dengan selisih akurasi 27,85%.
Referensi
Jayadianti, H., Cahyadi, T., Amri, N., &Pitayandanu, M. (2020). METODE KOMPARASI
ARTIFICIAL NEURAL NETWORK PADA PREDIKSI CURAH HUJAN - LITERATURE
REVIEW. Jurnal Tekno Insentif, 14(2), 48-53.