Tugas kelompok

Kasus-kasus

Jurnal-jurnal

Google scholer
Portal garuda
DOAJ

Materi
Artificial Neural Network (ANN),

NO AUTHOR JUDUL TUJUAN VARIABEL HASIL

1 Hasdi Putra A, Penerapan Tujuan dari Variabel Hasil dari
Nabilah Ulfa Prediksi penelitian ini yaitu penelitian penelitian adalah
Walmi Produksi Padi untuk efektifitas menggunakan rancangan
Menggunakan perencanaan fungsi pelatihan arstitektur
Artificial Neural pembangunan (training Artificial Neural
Network sektor pertanian, functions) Network (ANN)
Algoritma akurasi dari prediksi variabel laju sudah berhasil
Backpropagation produksi padi pemahaman dibuat dan
menjadi semakin (traingdx) untuk diterapkan untuk
krusial. Untuk mempercepat prediksi produksi
memperoleh akurasi pelatihan padi di Sumatera
yang baik, beragam backpropagation, Barat, Indonesia.
metode sudah yang merupakan Rancangan ANN
dikembangkan. kombinasi dari yang
Makalah ini parameter laju menggunakan
membahas pemahaman multilayer pada
bagaimana (learning rate) aplikasi sudah
menentukan banyak dan momentum berhasil diujikan
neuron dan jumlah sehingga dengan
layer yang mendapatkan memperolah hasil
diperlukan untuk hasil yang relatif prediksi produksi
prediksi hasil lebih akurat padi untuk
produksi padi. periode
berikutnya. Dari
implementasi
sistem yang
dirancang,
diperoleh hasil
prediksi dengan
akurasi mencapai
88,14%. Patut
dicatat bahwa
proses trial dan
error perlu
 mendapat
perhatian untuk
mendapatkan
hasil yang
maksimal dengan
durasi waktu yang
lebih baik.
Aplikasi prediksi
produksi padi
yang dibuat telah
mampu
melakukan
prediksi produksi
padi untuk tahun
2018 dengan
melakukan 75
kali pengujian
terhadap
paramater yang
terdapat pada
rancangan model
prediksi
2 B. Herawan Model Tujuan dari Terdapat 2 Dari hasil
Hayadi peramalan pada penelitian ini yaitu variabel yang penelitian yang
, I Gede Iwan peserta KB aktif penelitian digunakan yakni dilakukan dapat
Sudipa jalur membahas tentang variabel X diperoleh
, Agus Perdana pemerintahan peningkatkan digunakan diperoleh
Windarto menggunakan pencapaian target sebagai masukan kesimpulan
Artificial Neural peserta KB pasca dan variabel Y bahwa metode
Network Back- persalinan dan digunakan Back-propagation
propagation prediksi sebagai luaran dapat
pertumbuhan (target). diimplemen-
jumlah penduduk Tranformasi tasikan pada
yang berbeda pada tabel 7 peramalan peserta
dengan penelitian dan 8 KB aktif jalur
yang akan berdasarkan pemerintahan
dilakukan acuan tabel 5 dengan
dan 6 dimana melakukan
mengubah serangkaian
kolom menjadi pengujian dari
baris untuk empat model
variabel X dan Y arsitektur
(try dan error)
untuk
mendapatkan
model arsitektur
terbaik,. Model
ini dapat
menjadi acuan
untuk melakukan
peramalan pada
 tahun berikutnya
untuk mengetahui
laju pertumbuhan
penduduk
kedepannya
dalam rentang
waktu tertentu
guna
mempermudah
pemerintah dalam
membuat
rancangan
perencanaan ke
depannya

3 Arius Satoni Implementasi tujuan penelitian ini variabel Metode Artificial

Kurniawansyah metode artifical adalah agar penelitian yang Neural Network
neural network teknik dalam sering dengan
dalam memprediksi hasil dipertimbangkan menerapkan
memprediksi ujian kompetensi oleh perguruan algoritma
hasil ujian kebidanan di tinggi backpropagation
kompetisi Akademi Kebidanan kebidanan dalam
Dehasen khususnya memprediksi
Bengkulu dapat bagian akademik hasil ujian
diimplementasikan dalam kompetensi
atau diterapkan memprediksi kebidanan
dengan baik, untuk hasil ujian menggunakan
itu saran yang dapat kompetensi, data input dan
diperhatikan untuk yaitu 7 variabel data output dari
pengimplementasia nilai data
n dari. dalam ujian hasil ujian
1. Pada penelitian kompetensi kompetensi tahun
ini, penulis kebidanan yaitu sebelumnya.
mencoba sebuah nilai dengan tipe Dalam
teknik dalam soal tentang Ibu Jaringan Syaraf
memprediksi yaitu Hamil, Ibu Tiruan melalui
dengan Bersalin, Ibu program aplikasi
menerapkan Nifas, Matlab R2010a,
algoritma BBL, KB, telah berhasil
backpropagation, Kespro, dan melakukan
didapatkan tingkat Patologi. serangkaian
akurasi 90% dalam Variabel nilai tahapan yang
menentukan hasil tersebut diperlukan dan
yang lebih akurat digunakan dapat
sesuai sebagai variabel memprediksi
dengan data aktual input pada hasil ujian
untuk sebuah acuan algoritma kompetensi
prediksi Backpropagation kebidanan
hasil kelulusan ujian serta keputusan Akbid Dehasen
kompetensi Lulus dan Gagal Bengkulu untuk
 kebidanan di sebagai tahun yang akan
Akademi Kebidanan outputnya. datang. Dari hasil
Dehasen Bengkulu. prediksi
Oleh sebab itu perlu menggunakan
dilakukan perangkat Matlab
penerapan metode R2010a tersebut
yang lebih baik lagi menghasilkan
dalam memprediksi tingkat
hasil ujian keakurasian
kompetensi dalam
kebidanan di Akbid memprediksi
Dehasen hasil ujian
Bengkulu untuk kompetensi pada
yang akan datang. beberapa pola
2. Untuk yaitu pola
mendapatkan hasil arsitektur 7-3-1,
prediksi yang baik 7-10-1, 7-15-1, 7-
sangat diperlukan 20-1, dan 7-25-
data/knowledge 1. Dari beberapa
yang lebih pola tersebut pola
banyak dan lebih arsitektur 7-25-
lengkap untuk 1 dianggap lebih
mendukung akurat dengan
dalam prediksi. tingkat akurasi
90% untuk
memprediksi
hasil ujian
kompetensi
kebidanan di
Akademi
Kebidanan
Dehasen
Bengkulu pada
ujian kompetensi
kebidanan yang
akan datang.
4 Badieaha , Metode Jaringan bertujuan untuk Variabel yang Berdasarkan hasil
Rachmat Syaraf Tiruan membangun sebuah digunakan trial dan error
Gernowo b Untuk Prediksi sistem yang mampu untuk yang dilakukan
, Bayu Surarso c Performa memprediksi nilai menghasilkan pada penelitian
Mahasiswa Pada akhir blok perkiraan ini, arsitektur JST
Pembelajaran mahasiswa pada performa yang paling
Berbasis metode mahasiswa optimum adalah
Problem Based pembelajaran tersebut menggunakan
Learning (PBL) problem based dikelompokkan jumlah hidden
learning. Sistem menjadi tiga neuron
yang dibangun kelompok sebanyak 7 buah,
diharapkan dapat besar, yakni parameter
membantu pihak variabel learning rate 0,5,
tim evaluasi demografi (usia paremeter
akademik dan tutor dan jenis momentum 0,1
mata kuliah untuk kelamin), dan epoch
memberikan variabel prior sebanyak 9000.
gambaran perkiraan knowledge (nilai Nilai MSE yang
performa knowledge, didapatkan pada
mahasiswa pada nilai skill dan arsitektur tersebut
mata kuliah yang IPK) dan level adalah sebesar
akan heterogenitas 0,011926 dan R
dilaksanakan kelompok. sebesar 0,796879.
Dari hasil tersebut
dapat
disimpulkan
bahwa metode
ini dapat
digunakan untuk
memprediksi nilai
akhir
matakuliah blok
mahasiswa pada
sistem
pembelajaran
Problem Based
Learning.
Sehingga
dapat
menyediakan
informasi yang
diharapkan
bermanfaat
kepada pengguna
tentang prediksi
performa
mahasiswa serta
sebagai bahan
evaluasi
akademik
sebelum mata
kuliah blok
dilaksanakan.
Namun demikian,
hasil penelitian
masih dapat
dikembangkan
lebih lanjut
dengan lebih
menekankan
pada aspek
optimalisasi
pemilihan jumlah
hidden
neuron dan
parameter
 pelatihan JST.
Akan lebih baik
jika sistem yang
dikembangkan
secara adaptif
mampu merubah
nilai learning rate
dan momentum
secara adaptif
sesuai dengan
kondisi jaringan
saat
proses pelatihan
JST.
5 Herlina Metode Penelitian untuk Variabel Dari proses
Jayadianti Komprasi mencari model penelitian resume beberapa
Tedy Agung Artificial Neural prediksi curah dimulai dengan literature riview,
Cahyadi Network Pada hujan yang akurat literature review ANN memiliki
Nur Ali Amri Prediksi Curah di berbagai bidang metode yang
Muhammad Hujan sudah banyak mampu
Fathurrahman dilakukan, maka mempelajari pola
Pitayandanu dilakukan direview data dengan baik
kembali guna dibandingkan
membantu proses dengan metode
penyaliran dalam lainnya. Proses
perusahaan yang cepaat
tambang. dalam
menghubungkan
antara data
pembelajaran dan
data output
menyebabkan
ANN memiliki
tingkat kecepatan
koreksi koefisien
korelasi. Proses
bolak-balik
(backpropagation)
mampu
memperkecil
persen kesalahan
dari metode ini,
sehingga mesin
dianggap mesih
lebih baik
dibandingkan
metode lain
6 Irfan Ali Optimasi Peneliti ini mencoba Variabel yang di hasil dari
Lana Sularto Parameter menerapkan metode gunakan pengujian yang
Artificial Neural artificial neural algoritma telah dilakukan
Network network genetika bahwa pengujian
 Menggunakan menggunakan optimasi artificial
Algoritma algoritma genetika neural network
Genetika Untuk untuk memprediksi menggunakan
Prediksi kelulusan algoritma
Kelulusan mahasiswa genetika untuk
Mahasiswa 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%
7
8
9
10

TUGAS INDIVIDU

Nama : Mustafa Kemal Faza

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. 

b. Persamaan (keterangan persamaan)

Rumus utama untuk memperbaiki suatu bobot w berdasarkan error E adalah:

wnew=wold–α∂E∂w
Rumus ini juga berlaku untuk memperbaiki nilai bias:

bnew=bold–α∂E∂b
c. Rule bisnis(cara penyelesaian)

Metode yang digunakan untuk mencari model prediksi curah hujan

Metode yang digunakan untuk prediksi kelulusan mahasiswa

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.

Hasil Artificial Neural Network Menggunakan Algoritma Genetika

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.

Irfan Ali, Lana Sularto,(2019).Optimasi Parameter Artificial Neural Network

Menggunakan Algoritma Genetika Untuk Prediksi Kelulusan Mahasiswa.

InformationCommunication& Technology Vol. 18, No.1, Juli 2019, pp. 54-59