Mosi Debat Kefarmasian Pharmacy Festival (Pharfes) Universitas Indonesia (UI) 2016
Contoh-contoh mosi debat
yesFull description
modulFull description
TUGAS M2 KB2 PROFull description
Tugas akm2Deskripsi lengkap
SEJARAH
tugas modul 6Deskripsi lengkap
Deskripsi lengkap
tugasDeskripsi lengkap
ttwtDeskripsi lengkap
tugas m6Deskripsi lengkap
tugasDeskripsi lengkap
tugas manajemen investasi dan portofolioDeskripsi lengkap
tugas budaya betawiDeskripsi lengkap
tugas m6
tugas 6 ygDeskripsi lengkap
TUGAS M5 KB1Full description
skldhhdhwwhFull description
TUGAS PEMODELAN DAN SIMULASI
Di Buat Oleh : Arum Agam Nugraha 10115168
JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS KOMPUTER INDONESIA 2018
Algoritma Backpropagation Algoritma Backpropagation adalah salah satu algoritma yang menggunakan metode terawasi (supervised learning), dan termasuk jaringan MLP (Multi Layer Perceptron). 1. Penambahan dataset baru Saya menggunakan datset dari azure-nya sendiri yang berjudul breast cancer
Langkah pertama ialah membuat cancer data lalu pilih select columns dst
2. Lalukan Eksperimen Baru Pada tugas ini kita diharuskan untuk membuat eksperimen baru dengan cara sebagai berikut.
Klik pada blank experiment, lalu akan ak an terdapat layar seperti berikut.
3. Masukkan Kotak – Kotak yang Telah Tersedia Pada Bagian Kiri Untuk pengisian kotak kotak itu sendiri memerlukan beberapa proses yang telah diupload sebelumnya, disini saya menggunakan dataset breast cancer. Maka saya memilih data set yang telah saya upload
Pada gambar diatas saya memasukkan dataset terlebih dahulu untuk topik apa yang akan dianalisis, lalu saya memasuukan select coloum dataset untuk keperluan manakah kolom yang akan dijadikan id. Lalu ada dua operasi matematika sesuai dengan algoritma backprop yaitu dengan cara divide 2 dan divide 1. Masukkan kotak selanjutnya mengikuti kaidah backprop algoritma. Lalu data dinormalisasi agar lebih bisa dimengerti oleh sistem, setelah dinormalisasi maka data akan mudah di split atau di pisahkan. Setelah data terpisahkan maka data akan mudah dilatih oleh algoritma yang ada agar apa yang diharapkan benar dan sesuai. Yang terakhir adalah Score dan Evaluate, disini kita dapat melihat hasil akhir dari apa yang kita kerjakan dari dataset yang kita pilih.
4. Melihat Hasil Akhir Kita dapat melihat hasil akhir yang kita buat dengan cara klik kanan pada evaluate model lalu klik evaluation result dan visualize. Maka akan muncul gambar sebagai berikut.
Disana dapat dilihat bahwa keakuratan mendekati angka satu (0,798 dan 1000) yang dimana artinya adalah data tersebut akurat dengan tingkat error yang besar. Maka data ini dinyatakan tidak baik dipakai.