ARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET

John Maspupu

Abstract


Makalah ini membahas suatu arsitektur serta algoritma JST atau jaringan
syaraf tiruan yang menggunakan umpan maju dan propagasi mundur (feedforward
and backpropagation) dengan satu lapisan tersembunyi (hidden layer) untuk
mendukung sistem prediksi gangguan geomagnet. Untuk mendapatkan tingkat
gangguan geomagnet kita perlu mengetahui variasi hari tenang geomagnet. Dengan
demikian untuk memprediksi tingkat gangguan geomagnet, cukup diprediksi variasi
hari tenangnya dan kemudian dibanding kan dengan hasil-hasil pemantauan variasi
harian geomagnet di SPD (Stasiun Pengamat Dirgantara) tertentu. Adapun tujuan
dari pembahasan makalah ini adalah mengkonstruksi algoritma JST sebagai alat
(tools) komputasi untuk memprediksi tingkat gangguan geomagnet. Sedangkan
kontribusi dari hasil-hasil kajian maupun konstruksi algoritma JST ini adalah
sebagai suatu perangkat lunak (software) yang dapat diterapkan pada sistem
prediksi tingkat gangguan geomagnet.


Keywords


Arsitektur, Algoritma, JST, Gangguan, Geomagnet.

Full Text:

PDF

References


Baum, E.B. and Haussler, D., (1989). What size net gives valid generalzation?, Neural Computation

Journal 1, pp. 151 – 160.

Brunak ,S. and Lautrup, B., (1990). Neural Network Computers with Instuition,World Scientific,

Singapore.

Fausett, L., (1994). Fundamentals of Neural Networks : Architectures, Algorithms and Applications,

Prentice Hall, Englewood Cliffs, New Jersey.

Feldman, J. et.al., (1988). Computing with Structured Neural Networks, Journal of Computer, Vol. 21,

No.3, pp.91-103.

Kugblenu, S., et. al., (1999). Prediction of the geomagnetic storm associated Dst index using ANNalgorithm,

Journal EPS, 51, pp.303 – 313.

Nguyen, D. and Widrow, B., (1989). The truck backer-upper: An example of self learning in neural

networks, International Joint Conference on neural Networks, Vol. 2, pp.357 – 363, Washington,

DC.

Poggio, T. and Girosi, F. (1990)."Networks for approximation and learning," Proc. IEEE 78(9), 1484-

Rumelhart, D.E. and Mc Clelland, J.L.,(1988). Parallel Distributed Processing: Exploration in the

Microstructure of Cognition, MIT Press, Cambridge, Mass.

Simon Haykin (1999). Neural Networks: A Comprehensive Foundation (2nd edition), Upper Saddle

River, NJ: Prentice Hall.

Sutcliffe, P.R., (2000). The development of a regional geomagnetic daily variation model using neural

networks, Ann. Geophys.,18, pp. 120 – 132.




License URL: https://creativecommons.org/licenses/by-nc/4.0