Dewanto R. A.
Unknown Affiliation

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

Identifikasi Dinamika Sistem Menggunakan Neurofuzzy Dewanto R. A.; Asep S.; Aradea Aradea
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2005
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Salah satu cara untuk dapat melakukan analisis atau pengendalian terhadap sebuah sistem adalahdengan mengetahui dinamika sistem. Salah satu wujud dinamika sistem adalah model matematis, dengan modelini dapat diturunkan perilaku dari sistem. Seiring dengan kerumitan sistem, penurunan model semakin rumit jikadituntut akurasi yang tinggi. Kemampuan pendekatan fungsi dan belajar dari logika fuzzy dan jaringan neuralakan digunakan untuk melakukan proses penurunan model matematis yang merupakan dinamika sebuah sistem.Kata Kunci: Identfikasi, Jaringan neural, Logika fuzzy
Prediksi Penjualan dengan Neurofuzzy Dewanto R. A.; Aradea Aradea; Devi Febrianty
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2007
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Sistem prediksi adalah sebuah perangkat untuk mendukung aktifitas manusia. Setiap tempat dapat dilihatbahwa untuk memutuskan sesuatu manusia memerlukan hasil prediksi. Terdapat beberapa perangkat prediksiyang dikembangkan dan diteliti. Dari waktu kewaktu kerumitan dan kemampuannya semakin meningkat.Prediksi tidak hanya dimiliki oleh ahli matematika yang memiliki kemampuan matematis.Saat ini prediksi digunakan oleh manusia di berbagai latar belakang pengetahuan dan pekerjaan Padaarea ekonomi, terdapat beberapa alat untuk melakukan prediksi sesuatu yang berkaitan dengan parametermaupun variable ekonomi, seperti bursa efek, inflasi, pertumbuhan ekonomi, pertukaran nilai kurs dll.Seringkali prediksi dilakukan untuk mendukung penyusunan Anggaran Belanja NegaraPada level perusahaan, prediksi memegang peran yang penting untuk perencanaan dan evaluasi. Salahsatu prediksi yang penting adalah prediksi penjualan. Dari hasil prediksi ini, perusahaan dapat merencanakanproduksi, strategi pemasaran dan anggaran. Tetapi dengan meningkatnya kompleksitas perusahaan(persaingan, perubahan budaya, perubahan lingkungan dll) akan mempengaruhi hasil prediksi dan dapatmengurangi akurasi dan menambah kesalahan prediksi.Untuk itu, saat ini diperlukan system prediksi yang baru, yang memiliki kemampuan untuk beradaptasiterhadap perubahan. Berbicara tentang adaptasi, terdapat perangkat adaptasi yang sangat menarik yangdikembangkan oleh ahli sistem kendali. Perangkat adaptasi ini adalah Neurofuzzy Time Series Prediction yangdapat digunakan sebagai prediksi penjualan.Kata kunci: Neurofuzzy, Sistem Prediksi
Analisis Jaringan Syaraf Tiruan RPROP untuk Mengenali Pola Elektrokardiografi dalam Mendeteksi Penyakit Jantung Koroner Devi Febrianty; Dewanto R. A.
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2007
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Coronary heart disease is the most deadly heart disease,so for that reason it’s needed early diagnosis ofthis disease for medication efficacy. The one way of early diagnosis of Coronary Heart Disease done by acardiologist is through the record of electrocardiography (ECG).Coronary heart disease detection can be automated by creating an ECG pattern recognition software.This requirement needed a quite high accuracy to obtain accurate diagnose result. In this research,implementation and performance analysis of RPROP(Resilient Propagation) method will be done to recognizeECG pattern of coronary heart.The result show that RPROP method give good performance in accuracy. The accuracy of ECG patternrecognition reach 100% for training data set and 84.21% for testing data set .Keywords: Electrocardiography (ECG), Artificial Neural Network, RPROP, Coronary Heart Disease