program caesar dngn vb

Program Caesar Chiper Dengan VB by Jeffer Chaphuchino

CARA MEMASUKKAN FILE EXCEL KE DALAM BLOG

Langkah 1 : upload file ke google docs.

1. Silahkan login ke http://docs.google.com dengan account gmail anda.
2. Klik tab Upload yang berada di sebelah kiri atas layar monitor anda.
3. Klik tombol browse… di bawah tulisan Browse your computer to select a file to upload:
4. Masukan file yang ingin anda upload (word, excel, power point).
5. Klik tombol Upload File yang ada di sebelah bawahnya.
6. Tunggu beberapa saat sampai file anda terupload semuanya (tergantung dari besarnya file           serta kecepatan koneksi anda).
7. Jika sudah ter_upload, anda bisa mengeditnya jika mau.
8. Klik tab publish yang ada di sebelah kanan atas layar monitor anda, maka akan keluar tulisan “Thisdocument is not yet published”.
9. Klik tombol publish now yang ada di bawahnya.
10. Jika sudah selesai, lihat kembali ke bagian bawahnya!
11. Klik link bertuliskan More publishing options.
12. Setelah keluar window pop up, klik menu drop down di sebelah tulisan File format kemudian pilihHTML to embed a webpage.
13. Klik tombol Generate URL.
14. Copy kode HTMl yang di berikan, lalu paste pada notepad atau text editor lainnya.
15. Silahkan di close saja window nya.
16. Silahkan anda sign out dari google docs jika mau.
17. Selesai.

Langkah 2 : posting kode google docs ke blogger.

1. Silahkan login ke blog dengan ID anda.
2. Klik Posting Baru.
3. Silahkan anda buat postingan yang anda inginkan.
4. Ketika anda mau menyisipkan kode yang dari google docs, klik terlebih dahulu tab Edit HTML ( jangan yang compose)
5. Paste kode google docs yang ada di notepad tadi pada tempat yang anda inginkan.
6. Klik Tombol MEMPUBLIKASIKAN POSTING.
7. Silahkan lihat hasilnya.
8. Selesai.

 Cara lain ,   caranya:

1. log on ke www.scribd.com.... kalo disuruh login, login aja dulu
2. setelah beres login, upload deh file yang mau di masukkan dalam postingan blog,,bisa berupa doc, xls, atau ppt.
3. Setelah proses upload beres, cari tombol "embedd" (adanya di bagian kanan agak ke bawah), klik, muncul 2 pilihan link HTML. jangan klik yang atas, tapi yang kedua. klik bagian "COPY" lalu PASTE dech di postingan blog kamu... beres deh....

selain lebih praktis, tampilan "tabel" (dlm excel) lebih terlihat ketimbang dengan menggunakan google docs. dapat di download, di print and di share juga.

SELAMAT MENCOBA..... MARI KITA BERBAGI PENGETAHUAN..

Program Caesar Chiper dengan VB

Caesar Chiper merupakan salah satu metode penyadian pesan yang cukup terkenal. Konsep Caesar Chiper adalah dengan melakukan pergeseran huruf ke kanan atau ke kiri dalam susunan alphabet sesuai dengan kunci yang ditentukan baik Enkripsi maupun Dekripsi.

Sebagai contoh, huruf “A” dengan kunci=3 digantikan dengan huruf “D”, huruf “B” dengan kunci=5 digantikan dengan huruf “G” dan seterusnya.

Setiap karakter yang dimasukan kedalam komputer akan dikonversi ke dalam bilangan binner (1 dan 0). Berdasarkan ASCII (American Standard Code for Information Interchange) karakter memiliki nilai desimal yang seterusnya dikonversi ke bilangan binner. Khusus karakter alphabet kapital A-Z bernilai 65-90 sedangkan alphabet a-z bernilai 97-122.

Sekarang mari membuat program sederhana untuk melakukan Enkripsi atau Dekripsi terhadap pesan yang memiliki kunci.

Langkah-langkah membuat program:

1. Rancang dahulu form pada VB seperti berikut:

 

1.     Pada tombol Command1, ketik kode program berikut:

Private Sub Command1_Click()

Dim i As Long

Dim c As Integer

Dim pi As Integer

Dim ci As Integer

Dim k As Integer

k = Val(nShift)

hsl = ""

For i = 1 To Len(strPText)

c = Asc(Mid$(strPText, i))

If ((c >= 65) And (c <= 90)) Then

    pi = c - 65

    ci = (pi + k) Mod 26

    d = ci + 65

    hsl = hsl + Chr(d)

ElseIf ((c >= 97) And (c <= 122)) Then

    pi = c - 97

    ci = (pi + k) Mod 26

    d = ci + 97

    hsl = hsl + Chr(d)

End If

Next i

End Sub

2.     Pada tombol Command2, ketik kode program berikut:

Private Sub Command2_Click()

Dim i As Long

Dim c As Integer

Dim pi As Integer

Dim ci As Integer

Dim k As Integer

k = Val(nShift)

hsl = ""

For i = 1 To Len(strPText)

c = Asc(Mid$(strPText, i))

If ((c >= 65) And (c <= 90)) Then

    pi = c - 65

    ci = (pi - k) Mod 26

    d = ci + 65

    hsl = hsl + Chr(d)

ElseIf ((c >= 97) And (c <= 122)) Then

    pi = c - 97

    ci = (pi + k) Mod 26

    d = ci + 97

    hsl = hsl + Chr(d)

End If

Next i

End Sub

3.     Pada tombol Command3, ketik kode program berikut:

Private Sub Command3_Click()

strPlaintext = ""

nShift = ""

hsl = ""

strPText.SetFocus

End Sub

4.     Pada tombol Command3, ketik kode program berikut:

Private Sub Command4_Click()

End

End Sub

Maka Hasil dari program diatas adalah:

BAB I

PENDAHULUAN

A. Latar Belakang Masalah

Riset terbaru WHO pada tahun 2005 yang dikutip oleh Siswono (2006) menyebutkan bahwa 42% penyebab kematian balita di dunia adalah penyakit pneumonia sebanyak 58% terkait dengan malnutrisi, malnutrisi sering kali terkait dengan kurangnya asupan ASI (gizi online, 2007).

Keadaan kekurangan gizi pada bayi dan anak di sebabkan kebiasaan pemberian MP-ASI yang tidak tepat (Media indo online, 2006). Akibat rendahnya sanitasi dan hygiene MP-ASI memungkinkan terjadinya kontaminasi oleh mikroba, hingga meningkatkan resiko dan infeksi lain pada bayi, hasil penelitian widodo (2006) bahwa masyarakat pedesaan di Indonesia jenis MP-ASI yang umum diberikan kepada bayi sebelum usia 4 bulan adalah pisang (57,3%) dan rata-rata berat badan bayi yang mendapat ASI eksklusif lebih besar dari pada kelompok bayi yang diberikan MP-ASI (Depkes online, 2007)

Makanan Pendamping ASI (MP-ASI) diberikan kepada bayi setelah berusia 4-6 bulan sampai bayi berusia 24 bulan. Jadi, selain MP-ASI, ASI pun harus tetap diberikan kepada bayi, paling tidak sampai usia 24 bulan. Adapun hal-hal penting yang harus diperhatikan dalam pemberian makanan tambahan untuk bayi yaitu makanan bayi (termasuk ASI) harus mengandung semua zat gizi yang diperlukan oleh bayi, dan diberikan kepada bayi yang telah berumur 4-6 bulan sebanyak 4-6 kali/hari, sebelum berumur dua tahun, bayi belum dapat mengkonsumsi makanan orang dewasa, makanan campuran ganda (multi mix) yang terdiri dari makanan pokok, lauk pauk, dan sumber vitamin lebih cocok bagi bayi (Krisnatuti, 2007).

Berdasarkan hasil pra survey di BPS Nur Aisyah Sekampung pada bulan Maret 2008, jumlah bayi yang berusia 6 – 24 bulan sebanyak 108 bayi dan sudah diberikan makanan pendamping ASI.

Berdasarkan uraian di atas, maka penulis tertarik untuk melakukan penelitian tentang bagaimana pengetahuan Ibu menyusui tentang pemberian MP-ASI pada bayi usia 6 – 24 bulan di BPS Nur Aisyah Sekampung .......... ........

B. Rumusan Masalah

Dari uraian masalah diatas maka penulis membuat rumusan masalah “Bagaimana pengetahuan ibu menyusui tentang pemberian makanan pendamping ASI pada bayi 6 – 24 bulan”.

C. Ruang Lingkup

Dalam penelitian ini, ruang lingkup penelitiannya adalah sebagai berikut:

1. Sifat penelitian : Deskriptif

2. Obyek penelitian : Pengetahuan ibu menyusui tentang pemberian Makanan pendamping ASI pada bayi 6 – 24 bulan.

3. Subyek penelitian : Seluruh ibu menyusui yang memiliki bayi 6 – 24 bulan dan yang telah memberikan makanan pendamping ASI.

4. Lokasi penelitian : Di BPS Nur Aisyah Sekampung Kabupaten .......... ........

5. Waktu penelitian : Maret – Mei 2008.

D. Tujuan Penelitian

Diketahuinya gambaran pengetahuan ibu tentang pemberian Makanan pendamping ASI pada bayi 6 – 24 bulan di BPS Nur Aisyah Sekampung Kabupaten .......... ........

E. Manfaat Penelitian

1. Peneliti

Menambah pengetahuan dan pengalaman untuk penerapan ilmu yang didapat selama kuliah dalam rangka pengetahuan ibu menyusui.

2. Seluruh Ibu menyusui di desa Trimulyo Puskesmas Sekampung Kabupaten .......... ........

Hasil penelitian ini diharapkan meningkatkan pengetahuan ibu menyusui tentang makanan pendamping ASI pada bayi 6 – 24 bulan.

3. Institusi

Hasil penelitian ini diharapkan dapat dijadikan bahan masukan bagi proses penelitian selanjutnya terutama yang berhubungan dengan pemberian makanan pendamping ASI pada bayi 6 – 24 bulan

Sumber: kti kebidanan faktor-faktor: Pengetahuan Ibu Menyusui Tentang Pemberian Makanan Pendamping ASI Pada Bayi 6 - 24 Bulan di BPS http://kti-kebidanan-faktor-faktor.blogspot.com/2011/11/pengetahuan-ibu-menyusui-tentang.html#ixzz2OBZcrXvE

Follow us: @infoktiskripsi on Twitter | dewi.azahramaharani on Facebook

3.1  PENEMUAN INFORMASI DAN PENGETAHUAN DENGAN INTELEGENSI BISNIS

Intelegensi Bisnis

Setelah data berada di gudang data dan/atau data mart, maka data akan dapat diakses oleh manajer, analis, dan pengguna akhir lainnya. Pengguna akan dapat melakukan beberapa aktivitas. Aktivitas ini sering disebut pemrosesan analitis atau lebih umum disebut intelegensi bisnis. Intelegensi bisnis (business intelegence - BI) adalah kategori luas dari aplikasi dan teknik untuk mengumpulkan, menyimpan, menganalisis, dan menyediakan akses ke data untuk membantu pengguna dalam membuat keputusan bisnis dan keputusan strategis yang lebih baik (Oguz, 2003). Proses BI biasanya, namun tidak selalu, mencakup penggunaan gudang data seperti yang ditunjukan dalam Figur 3.6.

Cara Kerja Intelegensi Bisnis. Data operasional biasanya  disimpan dalam basis data perusahaan. Misalnya, jaringan ritel nasional yang menjual berbagai macam produk mulai dari alat pemanggang dan furnitur hingga peralatan plastik, memiliki data mengenai persediaan, informasi pelanggan, data mengenai promosi yang telah dilakukan, dan angka penjualan dalam berbagai sistem – dan mungkin tampak tidak berhubungan – gudang dapat menyatukannya. Dengan menggunakan peranti lunak inteligensi bisnis, pengguna dapat mencari data, meminta laporan, atau melakukan analisis lainnya. Hasil dari permintaan dan analisis dapat berupa laporan, prediksi, peringatan, dan/atau sajian geografis.

Alat dan Teknik untuk Inteligensi Bisnis. BI menggunakan sejumlah besar alat dan teknik. Aplikasi utamanya mencakup aktivitas permintaan data dan pelaporan, pemrosesan analitis online (online analytical processing – OLAP), pendukung keputusan, penggalian data, peramalan, dan analisis statistik. Vendor utama BI adalah SAS. Vendor lainnya mencakup Microstrategy, Cognos, SPSS, dan Business Objects.

Figur 3.6 Cara kerja inteligensi bisnis

Peranti/alat BI dapat dibagi dalam dua kategori utama : (1) penemuan informasi dan pengetahuan dan (2) pendukung keputusan dan analisis inteligen.

Alat dan Teknik Penemuan Informasi dan Pengetahuan

Penemuan informasi dan pengetahuan berbeda dengan dukungan keputusan dalam hal tujuannya : penemuan. Setelah temuan didapatkan, hasilnya dapat digunakan untuk mendukung keputusan. Berikut ini akan dijelaskan perbedaan antara penemuan informasi dan penemuan pengetahuan.

Evolusi Penemuan Informasi dan Pengetahuan. Penemuan informasi dimulai pada akhir tahun 1960-an dengan teknik pengumpulan data. Saat itu pengumpulan data masih sangat sederhana, dan menjawab permintaan data mengenai satu set data historis. Analisis ini diperluas dengan alat seperti SQL dan sistem manajemen basis data relasional. Selama tahun 1990-an, alat yang lebih baik untuk mengelola jumlah data yang semakin meningkat dibutuhkan, sehingga menghasilkan penciptaan gudang data dan munculnya OLAP dan basis data multidimensional. Ketika jumlah data yang akan dianalisis meningkat tajam pada pertengahan 1990-an, penemuan pengetahuan muncul sebagai alat analitis yang penting.

Figur 3.7 Kategori inteligensi bisnis

Proses ekstraksi pengetahuan yang berguna dari sejumlah data disebut penemuan pengetahuan (knowledge discovery – KD). Tujuan utama dari KD adalah mengidentifikasi pola yang valid, baru, yang mungkin bermanfaat dan dapat dipahami dalam data. KD berguna karena didukung oleh tiga teknologi yang saat ini telah matang, yaitu pengumpulan data yang besar, komputer multiprosesor berdaya tinggi, dan penggalian data dan algoritma lainnya. Bagian ini akan menjelaskan dua alat untuk penemuan informasi, yaitu permintaan ad-hoc dan OLAP.

Permintaan Ad-Hoc dan Pelaporan. Permintaan ad-hoc (ad-hoc query) memungkinkan pengguna untuk meminta, secara real time, informasi dari komputer yang tidak tersedia dalam laporan periodik. Jawaban seperti ini dibutuhkan untuk mempercepat pengambilan keputusan. Sistem permintaan ad-hoc sederhana sering kali berdasarkan menu-menu. Sistem yang lebih canggih menggunakan structured query language (SQL). Sistem yang paling canggih didasarkan dari pemrosesan bahasa alami, dan beberapa dapat berkomunikasi dengan pengguna dengan menggunakan pengenal suara. Penggunaan alat Web untuk memfasilitasi permintaan akan dijelaskan kemudian.

Pemrosesan Analitis Online. Istilah pemrosesan analitis online (online analytical processing – OLAP) menggambarkan pemrosesan analitis dari data segera setelah transaksi terjadi. Peranti OLAP dapat menganalisis data untuk mencerminkan kebutuhan bisnis aktual. Asumsikan bahwa suatu perusahaan mengatur tenaga penjualnya berdasarkan wilayah – misalnya Timur, Barat, dan Pusat. Ketiga wiayah ini kemudian dapat dibagi lagi menjadi negara bagian. VP penjualan dapat menggunakan OLAP dengan basis data multidimensional dari perusahaan untuk melihat angka penjualan di setiap wilayah (misalnya penjualan mur, sekrup, baut, dan ring). VP kemudian ingin melihat wilayah Timur dibagi dalam beberapa negara bagian agar kinerja manajer penjualan di masing-masing negara bagian dapat dievaluasi. Perhatikan bahwa organisasi bisnis tercermin dalam struktur data.

Kekuatan OLAP adalah kemampuannya untuk menciptakan struktur bisnis ini (wilayah penjualan, kategori produk, kalendar fiskal, saluran partner, dan sebagainya) dan menggabungkannya dengan cara tertentu sehingga pengguna dapat dengan cepat menjawab berbagai pertanyaan bisnis. ”Berapa banyak mur yang dijual di wilayah Timur pada tahun 2002?” adalah jenis pertanyaan yang dapat dijawab dengan baik oleh OLAP. Pengguna dapat mengiris data secara interaktif dan menggali perincian yang mereka inginkan. Selain menjawab permintaan data, OLAP dapat menganalisis hubungan antarkategori data dan mencari pola, kecenderungan, dan pengecualian. Misalnya, ”Bagaimana kecenderungan penjualan ring di wilayah Barat tiga tahun terakhir?”

Saat ini peranti lunak memungkinkan akses, biasanya dengan penjelajah, ke sejumlah besar data, seperti data penjualan selama beberapa tahun; peranti lunak juga memungkinkan analisis hubungan antara berbagai jenis elemen bisnis, seperti penjualan, produk, wilayah, dan saluran. Pengguna dapat  memproses kumpulan data, seperti volume penjualan, anggaran, dan pengeluaran, untuk membandingkan kumpulan data sepanjang waktu dan untuk menyajikan data dalam perspektif yang berbeda, seperti penjualan menurut wilayah versus penjualan menurut produk atau menurut produk dalam masing-masing wilayah. Peranti lunak saat ini juga memungkinkan perhitungan yang rumit antara elemen-elemen data, seperti laba yang diharapkan yang dihitung sebagai fungsi pendapatan untuk setiap jenis saluran penjualan dalam wilayah tertentu. Peranti lunak merespons dengan cepat permintaan pengguna sehingga pengguna dapat melakukan proses pemikiran analitis tanpa terhalangi oleh sistem. 

recursive descent parser = rekursif keturunan parser

Dalam ilmu komputer dan linguistik, parsing, atau, lebih formal, analisis sintaksis, adalah proses menganalisis teks, terbuat dari urutan token (misalnya, kata-kata), untuk menentukan struktur gramatikal terhadap hal yang diberikan (lebih atau kurang) tata bahasa formal. Parsing juga merupakan istilah awal untuk diagram kalimat bahasa alam, dan masih digunakan untuk diagram bahasa infleksi, seperti bahasa-bahasa Roman atau Latin. Istilah penguraian Pars berasal dari bahasa Latin (ōrātiōnis), yang berarti bagian (pidato).

Pembuatan Compiler dengan Metode Recursive Descent Parser

.dimana Parser bertugas menganalisis token yang dihasilkan pada proses scan sesuai dengan grammar. Recursive Descent Parser (RDP) adalah salah satu cara untuk mengaplikasikan bahasa bebas konteks untuk melakukan analisis sintaksis suatu source code. Ciri dari RDP yang menonjol adalah secara rekursif menurunkan semua variabel dari awal sampai bertemu terminal dan tidak pernah mengambil token secara mundur (no back track). Ciri lain dari RDP adalah sangat bergantung pada algoritma scan dalam mengambil token.

RDP juga dapat dikombinasikan dengan Predictive Parser. Predictive Parser (PP) adalah parser yang menggunakan prediksi untuk mengoptimalkan kerja dari parser. Parser model ini juga akan mengecilkan terjadinya rekursi kiri atau salah interpretasi. Prinsip dari predictive parser adalah mengelompokkan produksi sesuai dengan pola yang ada sehingga aturan produksi tertentu sudah diprediksikan penurunannya.

Di dalam proses kompilasi, analisis sintaksis menggunakan parser merupakan bagian front end dari model kompilasi. Karakteristik dari parser top-down hanya membutuhkan beberapa baris untuk mengakomodasi bahasa yang telah dirancang dan sangat cocok dengan BNF, simbol variabel direpresentasikan dengan sebuah prosedur,

Penurunan secara rekursif dapat terlihat dari kedua algoritma. Prosedur bool_term dipanggil oleh prosedur exp. Di dalam prosedur bool_term juga terjadi pemanggilan prosedur, yaitu prosedur bool_not_fact. Pemanggilan prosedur tersebut terjadi berulang-ulang (rekursif) dan terjadi penurunan (descent). Rekursi (penurunan) terjadi sampai menemui simbol terminal (token). Masalah utama dalam penggunaan rekursi adalah rekursi yang tidak berhenti. Oleh karena itu, diperlukan kehati-hatian dalam pemakaian rekursi. Predictive parser diperlukan untuk menekan atau menghilangkan kemungkinan terjadinya hal tersebut.

. Perancangan

Perancangan merupakan tahap awal dari suatu aplikasi program untuk menghasilkan sistem yang baik. Perancangan dibuat sebagai landasan implementasi untuk mempermudah pembuatan aplikasi. Perancangan meliputi perancangan parser (BNF dan diagram sintaks), perancangan scanner (FA) dan desain aplikasi.

a. Perancangan Parser menggunakan BNF dan Diagram Sintaks

BNF dan Diagram Sintaks Kode sumber pada kompiler memerlukan BNF dan diagram sintaks agar pembuat program mudah dalam membuat program. Adapun beberapa rancangan BNF dari kompiler yang dibuat

Parser

Dalam komputasi, parser adalah salah satu komponen dalam sebuah interpreter atau kompiler, yang memeriksa sintaks yang benar dan membangun struktur data (sering beberapa jenis pohon parse, sintaks abstrak pohon atau struktur hirarkis lainnya) yang tersirat dalam token masukan. Program pendeteksi kombinasi tombol sering menggunakan penganalisis leksikal terpisah untuk membuat token dari urutan karakter masukan. Parser dapat diprogram dengan tangan atau mungkin (semi-) otomatis dihasilkan (dalam beberapa bahasa pemrograman) dengan alat (seperti Yacc) dari tata bahasa yang ditulis dalam bentuk Backus-Naur.

Contoh tentang parser

1. Parser top-down, Beberapa parser yang menggunakan top-down parsing meliputi: Rekursif keturunan parse, LL parser (Kiri-ke-kanan, paling kiri derivasi);
2. Parser Earley, X-SAIGA – Spesifikasi executable tata bahasa. Berisi publikasi yang terkait dengan top-down parsing algoritma yang mendukung rekursi kiri dan ambiguitas dalam waktu polinomial dan ruang;
3. Parser Bottom-up,  Beberapa parser yang menggunakan bottom-up parsing meliputi: Diutamakan parser, Operator-diutamakan parser, Wikipedia diutamakan parser, SM (konteks terbatas) parsing, LR parser (kiri ke kanan, paling kanan derivasi), Wikipedia LR (SLR) parser, LALR parser, Canonical LR (LR (1)) parser, GLR parser, CYK parser;
4. Pengembangan perangkat lunak Parser, Beberapa alat yang terkenal meliputi pembangunan parser berikut. Juga lihat perbandingan generator parser, ANTLR, Banteng, Coco / R, GOLD, JavaCC, Undang-undang, Ragel, Definisi Sintaks Formalisme, Roh Parser Framework, Sintaksis, Yacc

                                                                            Algoritma Backpropagation

Langkah-langkah

0.       Inisialisasi Bobot dan Bias

1.       Jika Stoping condition belum terpenuhi, jalankan langkah 2-9

2.       Untuk semua data training lakukan langkah 3-8

3.       Umpan maju (Feedforward)

Setiap unit input (X₁..X_n) menerima sinyal input xi dan menyebarkan sinyal tersebut pada seluruh unit pada hidden unit.

V_oj*bias, x₁*v₁, x₂*v₂, x_n*v_n

4.       Setiap hidden unit (Zj, 1j=1..,p) akan menjumlahkan sinyal-sinyal input yang sudah berbobot termasuk biasnya

 

5.       Setiap unit output  (Y_k, k=1,..,m) menjumlahkan sinyal-sinyal input yang sudah berbobot termasuk biasnya.

W_0k*bias, Z_j*W_jk

6.       Setiap unit output  (Y_k, k=1,..,m) menerima suatu target pattern (desired output) yang sesuai dengan input training pattern untuk menghitung kesalahan (Error) antara target (T) dengan output (Y_k) jaringan.

W_error = T_k-Y_k

Q=f’(Y_in_k) = Fungsi turunan dari Sigmoid biner

 _k =W_error*Q à

Koreksi Bias à

7.       Setiap hidden unit (Z_j, j=1,..,p) menjumlahkan input delta yang dikirim dari layer langkah 6 yang sudah berbobot.

Koreksi W_error (EC) =  _kw_jk

 _j = *

8.       Pembaharuan Bobot dan Bias

Setiap unit output  (Y_k, k=1,..,m) akan memperbaharui bias dan bobotnya dari setiap hidden unit (j=0,..,p)

9.       Periksa stoping condition apakah sudah sama dengan yang ditentukan (E-max) kalau belum lakukan langkah 3-8.

Catatan:

Stoping Condition dilakukan apabila:

1.       Error sistem = error yang ditentukan (diharapkan)

2.       Terjadi overtraining à error semakin besar setelah beberapa epoch

3.       Training terlalu (lama) àharus dibatasi epoch nya