IMPLEMENTASI AMOUR PARENTIUM DALAM KEHIDUPAN SEHARI- HARI      Saya Didit Supriyadi dari jurusan Sistem Informasi dengan Nim 20210050088.   Sebagai kekuatan insan Nusa Putra untuk menjaga ajaran dan nilai-nilai luhur rasul, leluhur, kedua orang tua dan guru-guru kita serta orang orang soleh sebelum kita. Sebagai wujud pengamalan nilai luhur tersebut, saya senantiasa membahagiakan kedua orang tua terlebih dahulu sebelum membahagiakan orang lain, dengan demikian, rasa cinta terhadap keluarga adalah prioritas untuk saya

 Pembahasan Jurnal 

Artificial neural network based particle swarm optimization in predictions mortality rate of broiler chicken

Karya : D Hasman, D Gustian, R B Saputra, H Rahmasari, Lorentina and S ARatnasari

Disini saya mengambil jurnal tersebut dari : 

https://iopscience.iop.org/article/10.1088/1755-1315/335/1/012007/pdf


1. apa urgensinya sehingga harus ada penelitian itu

Jumlah populasi ayam yang besar, sebaliknya, mengakibatkan dalam kematian yang signifikan. Sehingga dapat menimbulkan beberapa kerugian seperti dari segi finansial, waktu, sumber daya manusia dll. Perusahaan berusaha untuk menjaga tingkat kematian seminimal mungkin. Hal ini karena kondisi masing-masing petani mengalami kesulitan dalam menangani kondisi yang cepat dan efisien. Perusahaan menginginkan kematian tingkat harus dijaga minimal sekitar 10% dari total kematian, sehingga dapat mengurangi kerugian secara finansial.

jumlah kematian yang tidak menentu bahkan di Kuartal II 2015 terjadi penurunan kematian ayam, namun beberapa bulan setelah kematian ayam meningkat secara signifikan.


2.  bagaimana proses metodologi penelitian yang ditempuh

Dalam penelitian ini digunakan dua metode yang saling mendukung yaitu Particle Swarm Optimization Neural Jaringan

Langkah pertama dengan Jaringan Syaraf Tiruan

Untuk setiap unit input (xi, i=1,2,3,…n) menerima sinyal xi dan melewatkan sinyal tersebut pada layer di atasnya (lapisan tersembunyi)



Gunakan fungsi aktivasi untuk menghitung sinyal keluaran: zj = f (z_inj) dan kirim sinyal ke semua unit dilapisan atas (unit keluaran)



Gunakan fungsi aktivasi untuk menghitung sinyal keluaran.yk= f (y_ink)dan kirim sinyal ke semua unit di lapisan atas (unit keluaran). Untuk setiap unit keluaran (yk, k=1,2,3,…,m) menerima pola target terhubung dengan pola masukan pembelajaran.

kemudian hitung koreksi bobot (yang akan digunakan untuk memperbaiki nilai wjk)

juga menghitung koreksi bias

kirim k ke unit-unit di layer bawah.

kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi kesalahan


juga menghitung koreksi bias (yang akan digunakan untuk memperbaiki nilai V0j 

juga menghitung koreksi bias (yang akan digunakan untuk memperbaiki nilai V0j)

Setiap unit keluaran (yk, k=1,2,3,…,m) meningkatkan bias dan bobot (j=0,1,2,3,…,p). wjk (baru) = wjk (lama) + wjk untuk setiap lapisan tersembunyi (zj, j=1,2,3,…,p) meningkatkan bias dan bobot (i=0,1,2,3,…,n)


Langkah kedua dengan optimasi segerombolan partikel

Dimana: X = posisi partikel, V= kecepatan partikel, w = berat inersia, c1, c2 = koefisien percepatan,
P = jumlah partikel dalam gerombolan. Nilai r1 dan r2 disusun sedemikian rupa sehingga nilai acaknya adalah dimaksudkan untuk memberikan sifat stokastik pada komponen kognitif dan komponen sosial Sifat stokastik menyebabkan setiap partikel bergerak secara semi acak, sangat dipengaruhi arahnya solusi terbaik dari partikel dan solusi global terbaik dari swarm

Langkah ketiga pengujian perangkat lunak dengan SQA

Ada tiga poin pemahaman tentang kualitas perangkat lunak, antara lain sebagai berikut: 
(1) perangkat lunak
persyaratan adalah dasar dari mana kualitas diukur; 
(2) standar khusus yang mendefinisikan kriteria pengembangan yang menjadi pedoman pembuatan suatu perangkat lunak; 
(3) sering ada kebutuhan implisit
diabaikan (misalnya, keinginan untuk pemeliharaan terbaik); dan (4) skor responden = <skor audibilitas> * 0,10 + <akurasi skor> * 0,10 + skor kelengkapan> * 0,15 + <skor toleransi kesalahan> * 0,10 + <skor efisiensi eksekusi> *0,10 + <skor operabilitas> * 0,15 + <Skor kesederhanaan> *0,15 + <skor pembelajaran> * 0.15 Evaluasi berdasarkan kriteria/skor rata-rata responden


3. bagimana proses ANN dalam memberikan solusi dari permasalahan yang ada

Untuk akurasi dan kesalahan yang dihasilkan dari metode Neural Network dalam memprediksi tingkat kematian ayam boiler, itu 5.854 (Desember). Sedangkan rata-rata hasil RMSE diperoleh dari metode jaringan syaraf tiruan yaitu 6.222 setiap bulannya. Data yang ada tidak dapat memengaruhi hasil RMSE diperoleh terbukti dengan hasil RMSE yang didapatkan pada bulan September merupakan hasil tertinggi yaitu sebesar 14,115 sedangkan hasil terendah terlihat pada bulan Juni yaitu sebesar 0,730. Sedangkan RMSE hasil yang diperoleh dari metode jaringan syaraf tiruan dengan model backpropagation adalah ditingkatkan dengan optimasi swarm partikel sebesar 2.032 (desember). Untuk rata-rata RMSE yang didapat sama dengan 1,889 lebih baik sebesar 4,3% dari metode neural network dengan model backpropagation sebelumnya sedang dioptimalkan. Dengan RMSE tertinggi sebesar 7.119 dan RMSE terendah sebesar 0.223. Dan dengan menggunakan aplikasi yang dapat menjalankan metode Neural Network berbasis Particle Swarm Optimization dan dengan hasil prediksi dengan tingkat kesalahan dan akurasi yang baik serta hasil uji aplikasi dari manajemen kepada penonton dengan hasil SQA yang diperoleh yaitu sebesar 83,125 hal ini menunjukkan bahwa manajemen dibantu dengan aplikasi ini dan juga mengambil langkah-langkah yang diperlukan untuk mencegah kematian ayam broiler dari prediksi metode ANN dan PSO

4.  apa saran anda dalam penelitian tersebut 

Pada bagian metodologi, mohon di jelaskan lagi rumus-rumus nya, sehingga kita dapat mengetahui variabel apa saja yang terdapat pada rumus tersebut


Komentar

Postingan populer dari blog ini

Instalasi FTP Server