PERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGUNAKAN BACKPROPAGATION DAN ALGORITMA GENETIKA
|
|
- Suharto Cahyadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGUNAKAN BACKPROPAGATION DAN ALGORITMA GENETIKA Yunus Abdul Halim Abstrak Indeks harga saham merupakan indikator utama yang menggambarkan pergerakan harga saham, dengan memiliki fungsi sebagai indikator trend pasar, indikator tingkat keuntungan, tolok ukur kinerja portofolio, serta penentuan strategi pasif dan produk derivatif. Penentuan indeks harga saham gabungan dapat diprediksikan dengan cara meramalk an indeks harga saham gabungan berdasarkan data historis. Peramalan dilakukan untuk mengestimasi suatu perilaku data berdasarkan analisis dan pengolahan data historis. Data historis mempunyai keterkaitan terhadap analisis karakteristik dan pola data. Pola data menggambarkan suatu kecenderungan tertentu yang nantinya dapat digunakan sebagai acuan untuk melakukan suatu peramalan. Peramalan dapat dilakukan jika sudah diperoleh trend pola data yang merupakan model dari perilaku data pada waktu tertentu. Pembuatan model indeks harga saham gabungan dapat dibuat dengan menggunakan model statistika seperti moving average, dekomposisi dan arima. Model tersebut diperoleh dengan melakukan simulasi data sampai diperoleh model terbaik, namun tidak dapat mendekati trend d ata lebih cermat, karena konstanta pemulusan tidak didasarkan atas pergerakan data. Model peramalan IHSG seharusnya dapat mendekati dan memuluskan kecenderungan data aktual lebih akurat dan tepat untuk memprediksikan kejadian yang akan datang. Metode pembuatan model dengan pendekatan terhadap semua data dapat dilakukan dengan menerapkan neural network dan algoritma genetika. Algoritma backpropagation dapat digunakan untuk membuat model peramalan IHSG, dengan pendekatan lebih sensitif terhadap perubahan data. Model peramalan yang baik yaitu model yang dapat meresponsif terhadap perubahan data. Pemodelan dengan neural network diharapkan dapat memuluskan kecenderungan data mendekati data aktual, sehingga menghasilkan model terbaik. Kemampuan neural network dengan struktur feedforwad dan algoritma backpropagation diharapkan lebih responsif terhadap trend data. Performance neural network dapat ditingkatkan dengan algoritma genetika, melalui pemilihan initial point secara acak dapat menghasilkan suatu model dengan pemulusan kecenderungan lebih akurat terhadap perubahan dan fluktuatif data. 1
2 1. Latar Belakang Indeks harga saham merupakan indikator utama yang menggambarkan pergerakan harga saham, dengan memiliki fungsi sebagai indikator trend pasar, indik ator tingkat keuntungan, tolok ukur kinerja portofolio, serta penentuan strategi pasif dan produk derivatif. Penentuan indeks harga saham gabungan dapat diprediksikan dengan cara meramalkan indeks harga saham gabungan berdasarkan data historis. Terdapat dua hal pokok yang harus diperhatikan dalam proses pembuatan peramalan, yaitu : 1. Pengumpulan data harus relevan, berupa informasi yang menghasilkan peramalan menjadi akurat. 2. Pemilihan teknik peramalan dapat mengoptimalkan informasi data. Sedangkan untuk memilih teknik peramalan secara akurat, harus mempertimbangkan : 1. Mendefinisikan sifat dari masalah yang akan diramalkan. 2. Menjelaskan sifat data 3. Menjelaskan kelebihan dan keterbatasan teknik peramalan 4. Menentukan beberapa kriteria di mana pemilihan keputusan dapat dibuat Peramalan dilakukan untuk mengestimasi suatu perilaku data berdasarkan analisis dan pengolahan data historis. Data historis mempunyai keterkaitan terhadap analisis karakteristik dan pola data. Pola data menggambarkan suatu kecenderungan tertentu yang nantinya dapat digunakan sebagai acuan untuk melakukan suatu peramalan. Peramalan dapat dilakukan jika sudah diperoleh trend pola data yang merupakan model dari perilaku data pada waktu tertentu. Pembuatan model indeks harga saham gabungan dapat dibuat dengan menggunakan model statistika seperti moving average, dekomposisi dan arima. Model tersebut diperoleh dengan melakukan simulasi data sampai diperoleh model terbaik, namun tidak dapat mendekati trend data lebih cermat, karena konstanta pemulusan tidak didasarkan atas pergerakan data. Teknik peramalan statistik menitik beratkan pada pola, perubahan pola dan faktor gangguan akibat pengaruh acak. Data harus dapat didekomposisikan seperti trend, siklus, musiman dan ketidakteraturan. Peramalan menghasilkan suatu model sebagai acuan peramalan indeks harga saham gabungan. Peramalan IHSG dengan teknik statistik memilki kelemahan dalam pemodelan. Model yang dihasilkan hanya diuji secara statistik, tidak diuji dengan pendekatan model terhadap setiap data, artiny a pengenalan pola data tidak diperhatikan. Pembuatan model peramalan dengan menggunakan neural network dapat menghasilkan model yang dapat mendekati semua data, sehingga model yang diperoleh merupakan model terbaik dari training data yang dilakukan. Disain model neural network menggunakan feedforward dengan menerapkan algoritma backpropagtaion dan genetika dalam pencarian tingkat minimum kesalahan yang dapat diterima oleh semua data. 2
3 2. Perumusan Masalah Peramalan menggunakan metode statistik menghasilkan model yang masih memiliki tingkat kesalahan relatif tinggi, di mana modelnya mengalami uji model berdasarkan standart deviasi tanpa melalui training data atau pendekatan data indeks harga saham gabungan. Hasil ramalan diharapkan dapat menjadi model trend i ndeks harga saham gabungan dengan lebih tepat dan mempunyai keakuratan model tinggi. Melihat kondisi tersebut dibutuhkan suatu metode yang menghasilkan model responsif dan adaptif terhadap perubahan dan fluktuatif data time series pada indeks harga saham gabungan sehingga dapat dijadikan model peramalan, mengingat betapa pentingnya suatu nilai peramalan. Pemulusan trend data dilakukan dengan menerapkan algortima backpropagation dan genetika. 3. Batasan Masalah Peramalan indeks harga saham gabungan menggunakan algoritma backpropagation dan algoritma genetika mempunyai ruang lingkup : 1. Membuat Model Trend IHSG pada Bursa Efek Jakarta 2. Menggunakan Model feedforward dengan algoritma backpropagation 3. Menggunakan Algoritma Genetika untuk mencari tingkat kesalahan minimum Neural Network 4. Uji Model kesesuaian dan kelayakan model menggunakan ukuran statistik standart, ukuran relatif, statistik U-Theil 4. Tujuan Peramalan indeks harga saham gabungan pada bursa efek Jakarta dengan menggunakan algoritma backpropagation dan algoritma genetika mempunyai tujuan : 1. Membuat model trend IHSG dengan pendekatan neural dan algoritma genetika 2. Membandingkan responsif antara algoritma backpropagation dan algoritma genetika terhadap trend IHSG. 3. Meramalkan pergerakan IHSG 5. Metodologi Penelitian Penelitian peramalan indeks harga saham gabungan, melalui 4 tahapan metode sebagai berikut : 1. Tahap studi literatur Melalukkan penggalian pustaka secara intensif untuk memperoleh informasi dan bahan lebih luas dan mengkaji lebih lanjut tentang algoritma backpropagation dan algoritma genetika dengan struktur feedforward 3
4 2. Tahap analisis permasalahan Melakukan pengkajian terhadap permasalahan yang dikaji, mengidentifikasi dan menganalisa data mentah (BEJ) 3. Tahap disain sistem Mendisain neural network dengan menggunakan algoritma backpropagation dan algoritma genetika 4. Tahap analisis sistem dan uji model Melakukan uji coba model dan training data, sehingga diperoleh model yang diharapkan dan menganalisis responsif algoritma backpropagation dan algoritma genetika terhadap trend data IHSG. Penelitian yang diusulkan : Membuat peramalan indeks harga saham gabungan (IHSG) pada bursa efek jakarta dengan menggunakan algoritma backpropagation dan Algoritma genetika yang diterapkan pada feedforwad untuk memuluskan trend data IHSG. 7. Neural Network Neural mempunyai arsitektur secara pararel distribusi dengan node dan koneksinya dalam jumlah besar. Setiap hubungan menunjuk dari satu node ke node lain dan diasosiasikan dengan bobotnya. Konstruksi sebuah neural net work meliputi : - Menentukan sifat network (topologi, tipe koneksi dan range dari bobot) - Menentukan sifat dari node (aktivitas range dan fungsi) - Menentukan sistem dinamik (inisialisasi bobot, formula kalkulasi dan aturan learning) Untuk input tidak memproses informasi, tetapi hanya mendistribusikan informasi secara sederhana ke unit lainnya. Berdasarkan hubungannya, sebuah network dapat berdasarkan feedforward atau backforward. Feedforward berarti semua koneksi menunjuk pada satu arah saja yaitu dari input menuju ke output layer. Model neural network sebagai berikut : 4
5 Sedangkan diagram skema sebuah neuron dan model feedforward neural network sebagai berikut : a. Diagram skema neuron b. Model feedforward neural network 5
6 8. Algoritma Backprogation Backpropagation network sangat populer pada neural network, dimana tidak mempunyai koneksi feedback tetapi kesalahan terjadi selama backpropagation training. Kesalahan pada penentuan ukuran layer output digunakan sebagai dasar penentuan bobot koneksi antara input dan hidden layer. Penambahan dua set bobot antara dua layer dan menghitung ulang output merupakan proses iterasi yang dibawa sampai kesalahan pada level yang ditoleransi. Momentum parameter dapat juga digunakan pada pemberian scala penentuan dari iterasi sebelumnya dan penambahan untuk iterasi yang sedang terjadi. Backpropagation network melakukan mapping input vektor. Sepasang input dan output vektor dipilih untuk pelatihan (train) network pertama. Satu training sempurna jika bobot set network dapat digunakan untuk menemukan output untuk input baru. Jumlah neuron layer input menentukan dimensi input dan jumlah neuron di layer output menentukan dimensi layer output. Network memberikan image dari vektor baru untuk mamping setiap sekali training, yang memberikan informasi mengenai space input dan output juga menentukan jumlah neuron yang mempunyai input dan output layer. Algoritma backpropagation : Inisialisasi weight untuk random value Input patern X L Propagate Signal forward melalui Network Compute i L pada output layer Compute i L preceding layer dengan propagation Update weight 6
7 Misalkan ik dengan i (neuron hiden layer), k (input hiden layer), I (bias neuron hiden layer) serta C (sum square error) maka : Δλ ji η dc d ij -η N t 1 yt - p j 1 z z f ( x ) (1) t t t i, i t Δ γ j η dc dγ j -η N t 1 yt - p j 1 z z (2) t t t Δ ik η dc d ik -η N t 1 yt - p j 1 ' d z t t i zt f i, i ( xt ) (3) d ik N p dc ' d Δ β i η -η yt - t t i zt f i, i ( xt ) dβ dβ i t 1 j 1 z (4) i Selama pelatihan, tiap unit ouput membandingkan aktivasi komputasi Y k dengan nilai target t k untuk menentukan error yang berhubungan pada pola dengan unit tersebut. Berdasarkan error ini, faktor k (k = 1,, m) dilakukan komputasi. k igunakan untuk mendistribusikan kesalahan pada unit output Y k kembali pada semua unit dalam layer sebelumnya (unit hidden yang berhubungan ke Y k ). Hal ini juga digunakan untuk melakukan update bobot diantara output dan hidden layer. Dalam perilaku yang serupa faktor j (j = 1,, p) dikomputasi untuk tiap hidden unit Zj. Adalah tidak diperlukan untuk melakukan pembelajaran terhadap error pada layer input, tapi j digunakan untuk melakukan update bobot diantara hidden layer dan input layer. Setelah semua faktor telah ditentukan bobot semua layer disesuaikan secara simultan. Penyesuaian terhadap bobot w jk (dari unti hidden Zj pada unit output Y k ) didasarkan pada faktor k dan aktivasi zj dari unit hidden Zj. Penyesuaian pada bobot v ij (dari unit input Xi pada unit hidden Zj) didasarkan pada factor j dan aktivasi x i dari unit input. Tata aturan penulisan yang kita gunakan dalam algoritma pelatihan untuk jaringan backpropagation mengikuti aturan : x Input vektor pelatihan : x = (x 1,, x i, x n ). t Output vaktor target : t = (t 1,, t i, t n ). k j Bagian dari penyesuaian bobot koreksi error untuk w jk yang dikarenakan suatu error dari unit output Y k ; jadi informasi tentang error di unit Y k yang dikembalikan ke hidden unit itu dimasukkan kedalam unit Y k. Bagian dari penyesuaian bobot koreksi error untuk v ij yang dikarenakan informasi yang salah backpropagation dari layer output ke unit hidde Zj. Rata-rata pembelajaran 7
8 Xi Unit input i : untuk sebuah unit input, sinyal input dan sinyal output adalah sama, penamaan, xi. v oj Bias pada unit hidden j. Zj Unit hidden j : Input net ke Zj dinotasikan dengan z_in j : z_in j = v oj + x i v ij Sinyal output (aktivasi) dari Zj dinotasikan dengan zj : zj = f(z_in j ). w ok Bias pada unit output k. Yk Unit output k : Input net ke Yk dinotasikan dengan y_in k : y_in k = w ok + z i w jk Sinyal output (aktivasi) dari Yk dinotasikan dengan y k : y k = f(y_in k ). Secara lebih rinci algoritma backpropagation adalah sebagai berikut : Step 0. Inisialisasi bobot. (Set ke nilai random kecil). Step 1. Ketika kondisi berhenti adalah salah, kerjakan langkah 2-9. Step 2. Untuk tiap pasang pelatihan, kerjakan langkah 3-8. Step 3. Tiap unit input (Xi, i = 1,, n) menerima sinyal input xi dan meneruskan sinyal ini ke semua unit pada layer yang bersangkutan (unit hidden). Step 4. Tiap unit hidden (Z, j = 1,, p) dijumlahkan dengan bobot sinyal input. z_in j = v oj + x i v ij pergunakan fungsi aktivasi ini untuk menghitung sinyal output, zj = f(z_in j ), dan mengirimkan sinyal ini ke seluruh unit pada layer yang bersangkutan (unit output). Step 5. Tiap unit output (Yk, k = 1,, m) dijumlahkan dengan bobot sinyal input, y_in k = w ok + z i w jk dan pergunakan fungsi aktivasi ini untuk menghitung sinyal output, y k = f(y_in k ). Error dari backpropagation : Step 6. Tiap unit output (Yk, k = 1,, m) menerima satu pola target yang cocok untuk pola pelatihan input, syarat perhitungan informasi error ini, 8
9 Step 7. k = (t k - y k ) f (y_in k ), syarat penghitungan bobot koreksi ini (digunakan untuk meng - update w jk nantinya), w jk = k zj, syarat penghitungan bias koreksi ini (digunakan untuk meng - update w ok nantinya), w ok = k, dan mengirimkan k ke unit pada layer sebelumnya. Tiap unit hidden (Yk, k = 1,, p) menjumlahkan ke input delta (dari unit pada layer sesudahnya), _in j = k w jk, kalikan dengan nilai dari fungsi aktivasi untuk menghitungnya syarat informasi error, j = _in j f (z_in j ), hitung koreksi bobot syaratnya (nanti digunakan untuk meng - update v ij v ij = j x i, dan hitung koreksi bias syaratnya (nanti digunakan untuk meng-update v oj ), v oj = j. Meng-upadate bobot dan bias : Step 8. Tiap unit output (Yk, k = 1,, m) update bias dan bobot (j = 0,, p) : w jk (baru) = w jk (lama) + w jk Tiap unit hidden (Zj, j = 1,, p) update bias dan bobot (i = 0,, n) : v ij (baru) = v ij (lama) + v ij. Step 9. Kondisi pemberhentian test. Setelah pelatihan, suatu jaringan neural digunakan hanya pada fase feedforward algoritma pelatihan. Prosedur aplikasinya meliputi antara lain : Step 0. Inisialisasi bobot (dari algoritma pelatihan) Step 2. Untuk tiap vektor input, kerjakan step 2-4. Step 2. Untuk i = 1,, n; set aktivasi dari unit input xi; Step 3. Untuk j = 1,, p : z_in j = v oj + x i v ij; zj = f(z_in j ), 9
10 Step 4. Untuk k = 1,, m : y_in k = w ok + y k = f(y_in k ). z j w jk; 9. Algoritma Genetika (GA) Algoritma genetika mempunyai kemampuan mereproduksi dimana gen dari dua parent akan menghasilkan child, sehingga dapat meningkatkan kemampuan artificial neural network dalam hal : - Optimasi topologi - Training algoritma genetika - Optimasi kontrol parameter Algoritma genetika akan memilih sebuah topologi yang meliputi jumlah hidden layer, jumlah hidden node dan pola interkoneksi. Neural network dapat didisain dengan menggunakan algoritma genetika yang membandingkan dua proses adaptive yaitu proses pencarian melalui data input dan pembelajaran (learning) individual network untuk mengevaluasi pemilihan arsitektur network. Adapaun Komponen ANN sebagai berikut : Struktur - Jumlah layer dan function (input, hidden, output) - Interconnection neuron Encoding - Determination dan merubah weight pada connection antar neuron Recall - Mendapatkan output untuk sebuah input - Input yang sama harus menghasilkan output sama Algoritma genetik (GA) adalah metode adaptif yang digunakan untuk memecahkan persoalan pencarian dan optimasi, yang didasarkan pada proses genetik pada organisme biologis. Selama generasi, populasi alami terlibat dalam prinsip seleksi alami dan prinsip survival of the fittest, yang diajukan oleh Charles Darwin dalam bukunya the origin of species. Dengan meniru proses ini, GA dapat memberikan suatu solusi yang dekat dengan persoalan real, jika pengkodeannya sesuai. Prinsip dasar GA ditemukan pertama kali oleh Holland. GA mensimulasikan proses dalam populasi alami yang mengalami evolusi. Secara alami, individu dalam populasi bersaing untuk mendapatkan sumber daya (resource) semisal makanan, air, dan tempat peristirahatan. Dan juga anggota dalam spesies yang sama sering kali bersaing untuk dapat melakukan reproduksi. Individu yang lebih survive kebanyakan sukses dalam bertahan hidup dan menghasilkan jumlah turunan lebih banyak. Ini mengartikan bahwa gen dari individu yang paling bisa beradaptasi atau indivudu yang lebih fit akan menyebar ke sejumlah individu pada setiap 10
11 turunan generasi. Kombinasi karakteristik yang baik dari nenek moyang yang berbeda serinng kali menghasilkan turunan yang super, dimana nilai fitnessnya lebih besar dari parent-nya. Dengan cara ini, spesies lebih dapat beradaptasi dengan lingkungannya. GA menggunakan analogi langsung dari tingkah laku alami. GA bekerja dengan populasi dari individu, yang masing-masing mempresentasikan solusi terhadap persoalan. Tiap individu mempunyai nilai fitness yang berhubungan dengan seberapa bagus solusi yang diberikan pada persoalan yang ada. Populasi baru didapatkan dari menyeleksi individu terbaik dari suatu generasi dan mengawinkan mereka untuk menghasilkan individu baru. Generasi baru memiliki karakteristik yang dimiliki oleh anggota yang baik pada generasi sebelumnya. Dengan cara ini, setelah beberapa generasi, karakteristik yang baik akan menyebar pada populasi, bercampur dengan karakteristik lain yang bagus. Dengan mengawi nkan lebih banyak individu yang fit, area pencarian akan dieksplorasi. Jika GA didesain dengan baik, populasi akan konvergen dengan solusi optimal dari persoalan. Saat ini, GA telah banyak dikenalsebagai teknik optimasi untuk pencarian nilai optimal dari suatu fungsi atau system. Fungsi atau system disini tidak selalu berarti fungsi matematis semisal dinyatakan dengan f(x,y), tetapi dapat juga berarti fungsi operasional yang dapat menghasilkan nilai. 10. Struktur Algoritma Genetik GA dimulai dari himpunan inisialisasi dari solusi acak yang disebut populasi. Tiap individu dalam populasi dinamakan kromosom, merepresentasikan solusi terhadap persoalan. Mekanisme yang menghubungkan GA dengan persoalan yang dipecahkan, yaitu : - Cara pengkodean solusi ke persoal an pada kromosom, dan - Fungsi evaluasi yang mengembalikan suatu ukuran unjuk kerja kromosom dalam pemecahan masalah. Kromosom adalah string dari symbol, biasanya direpresentasikan dalam binary bit string. Kromosom mengalami sejumlah iterasi yang berurutan yang disebut generasi. Representasi kromosom dalam GA tidak hanya dalam bentuk string biner, kemungkinan representasi yang lain disajikan pada gambar berikut. Selama tiap generasi, kromosom dievaluasi dengan menggunakan beberapa pengukuran fitness. Untuk membuat generasi berikutnya, kromosom baru, yang disebut offspring dibentuk dengan cara : (a) Menyatukan dua kromosom dari suatu generasi dengan operator crossover. (b) Memodifikasi kromosom menggunakan operator mutasi. Kemudian generasi baru dibentuk dengan cara : (a) Seleksi, berhubungan dengan fitness, parents dan offspring. 11
12 (b) Menolak beberapa kromosom yang mempunyai nilai fitness yang rendah untuk menjaga ukuran populasi tetap konstan. Setelah beberapa generasi, algoritma akan konvergen dapat menghasilkan kromosom terbaik, yang diharapkan merepresentasikan solusi optimum terhadap persoalan. Struktur umum dari algoritma genetik dapat digambarkan berikut ini : 1. Inisialisasi populasi kromosom 2. Evaluasi tiap kromosom dalam populasi 3. Buat kromosom baru dengan mengoperasikan operator genetika (crossover dan mutasi) 4. Evaluasi kromosom baru dan sisipkan ke dalam populasi. Jika criteria kromosom terbaik sudah dipenihi, proses berhenti. Jika tidak, kembali ke langkah nomor 3. Inisialisasi bisanya dilakukan dengan acak. Rekombinasi melibatkan crossover dan mutasi untuk mendapatkan offspring. Pada kenyataannya, terdapat dua macam operasi dalam GA : 1. Operasi Genetik : crossover dan mutasi 2. Operasi Evolusi : seleksi 11. Operasi-operasi Pada Algoritma Genetik Crossover adalah operator genetik yang utama. Yang mengoperasikan dua kromosom dan mengenerate offspring dengan mengkombinasikan di antara dua bentuk kromosom tersebut. Cara yang paling sederhana untuk melakukan crossover adalah dengan metode random cut-point, kemudian mengenerate offspring dengan menukar diantara segment pada sebelah kanan dan kiri cut-point. Metode ini dapat bekerja dengan baik dengan representasi bit string. Unjuk kerja GA tergantung pada unjuk kerja operator crossover yang digunakan. Crossover rate (dinotasikan Pc) didefinisikan sebagai presentase besarnya kemungkinan suatu individu untuk melakukan proses crossover terhadap suatu ukuran populasi (dinotasikan dengan pop_size). Rasio ini mengkontrol jumlah Pc x pop_size kromosom untuk melakukan operasi crossover. Crossover rate yang lebih tinggi memungkinkan eksplorasi lebih banyak ruang solusi dan mereduksi kesempatan terjadinya optimum local; tapi jika rate terlalu tingi, akibatnya akan memboroskan waktu komputasi dalam mengeksplorasi daerah yang tidak menjanjikan (unpromising region) untuk mendapatkan solusi yang baik dari suatu ruang solusi. Mutasi adalah operator yang dapat menghasilkan perubahan random pada suatu kromosom. Operator mutasi mengubah satu atau lebih gen secara acak. Dalam GA, mutasi mempunyai peran : (a) Mengganti gen yang hilang dari populasi selama proses seleksi sehingga dapat dicoba lagi dengan konteks yang baru 12
13 (b) Menyediakan gen yang tidak direpresentasikan dalam populasi awal. Mutasi rate (dinotasikan pm) didefinisikan sebagai presentase peruba han gen terhadap total jumlah gen dalam populasi. Mutasi rate mengkontrol rate dari gen baru yang dikenalkan ke dalam populasi untuk dicoba. Jika rate terlalu rendah, banyak gen yang tidak berguna tidak pernah dicoba, tapi jika terlalu tinggi akan bersifat terlalu acak,akibatnya offspring mulai kehilangan kemiripan dengan parent, dan algoritma kehilangan kemampuannya untuk belajar dari history of search. GA berbeda dari optimasi konvensional dan prosedur search dalam beberapa hal yang mendasar, seperti yang dinyatakan oleh Golberg yaitu : 1. GA bekerja dengan pengkodean himbunan solusi, bukan pada solusi itu sendiri 2. Pencarian GA dari populasi solusi, bukan dari solusi tunggal 3. GA menggunakan informasi fungsi fitness, bukan penurunan atau dari pengetahuan tambahan 4. GA menggunakan aturan yang meniru meknisme alami yang menggunakan probabilistic transition untuk mengimplementasikan penggunaan operator genetik (crossover dan mutasi) dan bukan berdasarkan aturan deterministik. 13
14 12. Disain a. Diagram Alur Prose s Sistem DATA HISTORIS IHSG - BEJ PREPROCESSING Normalisasi Data PROCESSING AlgoritmaBackpropagation Algoritma Genetika MODEL Peramalan Trend IHSG UJI MODEL Statistik Standart Statistik U-Theil 14
15 b. Disain Feedforward Backpropagation -1 X t (1) t (1) X t (n) Fungsi aktivasi : F, (x) = 2 / (1+exp(- x + ) -1 Dimana : - x : n-dimensional input vektor - = [ 1,..., n] weight vector - = bias Fungsi deaktivasi : F, (x) = (2 / ) [1+ F, (x)] [1 - F, (x)] Sedangkan disain untuk feedforward yaitu : a. Layer Input : 1 b. Layer Hiden : 36 c. Layer Output : 1 15
16 c. Disain ANN dengan GA Data Inisialisasi Pop Awal Populasi Individu dalam satu generasi Susunan Kromosom Kromosom Terbaik Fungsi evaluasi Fitnes Pilih operasi genetika PC PR PM Cross Over Mutasi Reproduksi Pilih 2 individu Pilih 1 individu Pilih 1 individu Proses Crossover Proses mutasi Proses reproduksi Populasi Baru 16
17 d. Disain Training Arsitektur Training Uraian Backpropagation NN menggunakan training BPN dengan struktur input 1, hiden 36, output 1 ForwardPropagation GA Penerapan GA diharapkan dapat meningkatkan performance NN dan memuluskan pengaruh trend Disain NN dengan Backpropagation : - Layer Input : 1 - Layer Hiden : 36 - Layer Output : 1 - F. Aktivasi : bipolar sigmoid - Jumlah Data : 30 Disain GA Training - P Crosover : 0,6 - P mutasi : 0,1 - P reproduksi : 0,3 - F. Aktivasi : bipolar sigmoid - m : 40 kromosom (Crossover, mutasi,reproduksi) - Iterasi : 100 generasi - Populasi : 40 kromosom 17
18 DAFTAR PUSTAKA Antognetti and Milutinovic (1991). Neural Networks: Concepts, Applications, and Implementations, Vol. II. Prentice Hall, New Jersey. Bart Kosko (1992). Neural Network and Fuzzy Systems : A Dinamical Systems Approach to Machine Intelegence. Prentice-Hall, Inc. Lincolin Arsyad (1997). Peramalan Bisnis. Edisi ketiga, BPFE Yogyakarta, Yogyakarta Makridakis S (1992). Metode dan Aplikasi Peramalan. Penerbit Erlangga, Jakarta. Marcelo C. M and Alvaro Veiga (2000). A Hybrid Linear-Neural Model for Time Series Forecasting. IEEE Transactions on Neural Netwrok, Vol 11, no. 6 Mike Cattolico (2000). A Computational Intelligence Approach to Financial Forecanting. Valuru, B. Rao (1993). C++ Neural Network and Fuzzy Logic. MIS Press, New York. 18
PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Literatur Algoritma genetik merupakan salah satu algoritma yang biasanya digunakan dalam optimalisasi data. Namun penggunaan algoritma genetik dalam melakukan peramalan
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciBAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciPrediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan Metode Genetic-Based Backpropagation
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 4, April 2017, hlm. 341-351 http://j-ptiik.ub.ac.id Prediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciStudi Modifikasi standard Backpropagasi
Studi Modifikasi standard Backpropagasi 1. Modifikasi fungsi objektif dan turunan 2. Modifikasi optimasi algoritma Step Studi : 1. Studi literatur 2. Studi standard backpropagasi a. Uji coba standar backpropagasi
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-31
JURNAL SAINS DAN SENI ITS Vol 4, No2, (2015) 2337-3520 (2301-928X Print) A-31 Perbandingan Performansi Metode Peramalan Fuzzy Time Series yang Dimodifikasi dan Jaringan Syaraf Tiruan Backpropagation (Studi
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih terperinciPrediksi Harga Emas Batang Menggunakan Feed Forward Neural Network Dengan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2317-2322 http://j-ptiik.ub.ac.id Prediksi Harga Emas Batang Menggunakan Feed Forward Neural
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciPERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK
PERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK Rudy Adipranata 1) Felicia Soedjianto 2) Wahyudi Tjondro Teknik Informatika,
Lebih terperinciSTUDI ANALISA PELATIHAN JARINGAN SYARAF TIRUAN DENGAN DAN TANPA ALGORITMA GENETIKA
STUDI ANALISA PELATIHAN JARINGAN SYARAF TIRUAN DENGAN DAN TANPA ALGORITMA GENETIKA (Agustinus N., et al. STUDI ANALISA PELATIHAN JARINGAN SYARAF TIRUAN DENGAN DAN TANPA ALGORITMA GENETIKA Agustinus Noertjahyana
Lebih terperinciPerbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek
Perbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek Rudy Adipranata 1, Felicia Soedjianto 2, Wahyudi Tjondro Teknik Informatika,
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 441-450 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PREDIKSI DATA HARGA SAHAM HARIAN MENGGUNAKAN FEED FORWARD NEURAL
Lebih terperinciBAB 2 DASAR TEORI. 2.1 Teka-Teki Silang
BAB 2 DASAR TEORI 2.1 Teka-Teki Silang Teka-teki silang atau disingkat TTS adalah suatu permainan yang mengharuskan penggunanya untuk mengisi ruang-ruang kosong dengan huruf-huruf yang membentuk sebuah
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output
Lebih terperinciWAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 2, November 2007, 53 64 WAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES Daryono Budi Utomo Jurusan Matematika FMIPA Institut Teknologi
Lebih terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
Lebih terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciBAB II DASAR TEORI. 2.1 Citra Digital
BAB II DASAR TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f (x,y) dua dimensi,dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Konsep Dasar Sistem dan Informasi 2.1.1 Sistem Menurut Sutabri (2004), bahwa sistem adalah sekelompok unsur yang erat hubungannya satu dengan yang lainnya berfungsi untuk mencapai
Lebih terperinciBab II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka. Penelitian serupa mengenai penjadwalan matakuliah pernah dilakukan oleh penelliti yang sebelumnya dengan metode yang berbeda-neda. Berikut
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciPengantar Kecerdasan Buatan (AK045218) Algoritma Genetika
Algoritma Genetika Pendahuluan Struktur Umum Komponen Utama Seleksi Rekombinasi Mutasi Algoritma Genetika Sederhana Referensi Sri Kusumadewi bab 9 Luger & Subblefield bab 12.8 Algoritma Genetika 1/35 Pendahuluan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciPREDIKSI TINGKAT INFLASI DI INDONESIA BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA. Rita Rismala 1, Said Al Faraby 2
PREDIKSI TINGKAT INFLASI DI INDONESIA BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA Rita Rismala 1, Said Al Faraby 2 1,2 Prodi S1 Informatika, Fakultas Informatika, Universitas Telkom 1 ritaris@telkomuniversity.ac.id,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciAlgoritma Evolusi Dasar-Dasar Algoritma Genetika
Algoritma Evolusi Dasar-Dasar Algoritma Genetika Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Pengantar 2. Struktur Algoritma Genetika 3. Studi Kasus: Maksimasi Fungsi Sederhana 4. Studi
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciBAB 2 LANDASAN TEORI. suatu perusahaan yang akan memberikan keuntungan dalam bentuk deviden dan capital
BAB 2 LANDASAN TEORI 2.1 Saham Saham adalah tanda penyertaan atau kepemilikan seseorang atau badan, dalam suatu perusahaan yang akan memberikan keuntungan dalam bentuk deviden dan capital gain. Artinya
Lebih terperinciPeramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor
23 Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor Fachrudin Pakaja, Agus Naba dan Purwanto Abstrak Prediksi penjualan adalah salah satu cara untuk meningkatkan laba perusahaan,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciRancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika
1 Rancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika Annisti Nurul Fajriyah Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Penerapan Jaringan Syaraf Tiruan Untuk Estimasi Needs
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Pegawai atau karyawan merupakan
Lebih terperinciNeural Network (NN) Keuntungan penggunaan Neural Network : , terdapat tiga jenis neural network Proses Pembelajaran pada Neural Network
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciPENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA
PENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA Bagus Priambodo Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Mercu Buana e- mail : bagus.priambodo@mercubuana.ac.id
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Artificial Neural Network Artificial neural network (ANN) / jaringan saraf tiruan adalah konsep yang merefleksikan cara kerja dari jaringan saraf biologi kedalam bentuk artificial
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Algoritma Genetika Algoritma genetika merupakan algoritma pencarian heuristik ysng didasarkan atas mekanisme seleksi alami dan genetika alami (Suyanto, 2014). Adapun konsep dasar
Lebih terperinciOPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK
OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK Usulan Skripsi S-1 Jurusan Matematika Diajukan oleh 1. Novandry Widyastuti M0105013 2. Astika Ratnawati M0105025 3. Rahma Nur Cahyani
Lebih terperinciJaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit
Jaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit Abidatul Izzah 1), Ratih Kartika Dewi 2) 1)2) Jurusan Teknik Informatika ITS Surabaya Jl. Teknik
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori-teori Dasar / Umum 2.1.1 Genetic Algorithm Genetic algorithm adalah suatu algoritma yang biasanya digunakan untuk mencari solusi-solusi yang optimal untuk berbagai masalah
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T
PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi
Lebih terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih terperinciBAB II LANDASAN TEORI. Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan
BAB II LANDASAN TEORI 2.1 Sejarah Perusahaan Tahun 2001 pemilik CV. Tunas Jaya membuka usaha di bidang penjualan dan pengadaan suku cadang computer. Dalam bidang tersebut diharuskan berbadan hukum PD,
Lebih terperinciAplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)
JTRISTE, Vol.1, No.2, Oktober 2014, pp. 50~57 ISSN: 2355-3677 Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) STMIK Handayani Makassar najirah_stmikh@yahoo.com Abstrak
Lebih terperinciPrediksi Jumlah Penjualan Air Mineral Pada Perusahaan XYZ Dengan Jaringan Saraf Tiruan
Prediksi Jumlah Penjualan Air Mineral Pada Perusahaan XYZ Dengan Jaringan Saraf Tiruan Kusuma Dewangga, S.Kom. Jurusan Ilmu Komputer Universitas Gadjah Mada Jl. Bulaksumur, Yogyakarta kusumadewangga@gmail.com
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan tugas akhir ini. Teori-teori yang dibahas mengenai pengertian penjadwalan, algoritma
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-222
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-222 Implementasi Algoritma Genetika pada Struktur Backpropagation Neural Network untuk Klasifikasi Kanker Payudara Adam Mizza Zamani, Bilqis Amaliah
Lebih terperinciNEURAL NETWORK BAB II
BAB II II. Teori Dasar II.1 Konsep Jaringan Saraf Tiruan (Artificial Neural Network) Secara biologis jaringan saraf terdiri dari neuron-neuron yang saling berhubungan. Neuron merupakan unit struktural
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Barcode Salah satu obyek pengenalan pola yang bisa dipelajari dan akhirnya dapat dikenali yaitu PIN barcode. PIN barcode yang merupakan kode batang yang berfungsi sebagai personal
Lebih terperinciSIMULASI DAN PREDIKSI JUMLAH PENJUALAN AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (Study Kasus: PDAM TIRTA KEPRI) Ilham Aryudha Perdana
SIMULASI DAN PREDIKSI JUMLAH PENJUALAN AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (Study Kasus: PDAM TIRTA KEPRI) Ilham Aryudha Perdana Mahasiswa Program Studi Teknik Informatika, Universitas
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka (Samuel, Toni & Willi 2005) dalam penelitian yang berjudul Penerapan Algoritma Genetika untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover
Lebih terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Perceptron 2. ADALINE 3. MADALINE 2 Perceptron Perceptron lebih powerful dari Hebb Pembelajaran perceptron mampu menemukan konvergensi terhadap bobot yang
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada penelitian machine learning banyak sekali diperbincangkan tentang perilaku belajar mesin (komputer) agar mampu belajar dan berpikir cerdas layaknya manusia yang
Lebih terperinciBAB II LANDASAN TEORI
27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciArsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah memin
BACK PROPAGATION Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output yang dihasilkan
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciPeramalan Data IHSG Menggunakan Metode Backpropagation
Peramalan Data IHSG Menggunakan Metode Backpropagation Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang, Indonesia hansun@umn.ac.id Diterima 31 Agustus 2012 Disetujui
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciPREDIKSI DATA HARGA SAHAM HARIAN MENGGUNAKAN FEED FORWARD NEURAL NETWORKS (FFNN) DENGAN PELATIHAN ALGORITMA GENETIKA
PREDIKSI DATA HARGA SAHAM HARIAN MENGGUNAKAN FEED FORWARD NEURAL NETWORKS (FFNN) DENGAN PELATIHAN ALGORITMA GENETIKA (Studi Kasus pada Harga Saham Harian PT. XL Axiata Tbk) SKRIPSI Disusun oleh : IRA PUSPITA
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinci1.1. Jaringan Syaraf Tiruan
BAB I PENDAHULUAN 1.1. Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi yang digambarkan sebagai berikut
Lebih terperinciMATERI DAN METODE. Cara Pengambilan Data
MATERI DAN METODE Lokasi dan Waktu Penelitian ini dilaksanakan di Laboratorium Lapang Bagian Ilmu Produksi Ternak Perah, Fakultas Peternakan Institut Pertanian Bogor. Penelitian dilaksanakan selama dua
Lebih terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih terperinciANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES
ANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES Thomas Brian Universitas Trunojoyo Madura Bangkalan, Indonesia thomasbrian2112@yahoo.com Abstrak Salah satu algoritma
Lebih terperinciPERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)
Jurnal POROS TEKNIK, Volume 5, No. 1, Juni 2013 : 18-23 PERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik
Lebih terperinciANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION TERHADAP PERAMALAN NILAI TUKAR MATA UANG RUPIAH DAN DOLAR
Jurnal Barekeng Vol. 8 No. Hal. 7 3 (04) ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION TERHADAP PERAMALAN NILAI TUKAR MATA UANG RUPIAH DAN DOLAR Analysis of Backpropagation Artificial Neural Network to
Lebih terperinciOptimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi
Optimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi Rahman Aulia Universitas Sumatera Utara Pasca sarjana Fakultas Ilmu Komputer Medan, Indonesia Rahmanaulia50@gmail.com Abstract
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Fakultas Ilmu Komputer Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Fakultas Ilmu Komputer Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 Peramalan Harga Indeks Saham Hang Seng dengan Menggunakan Jaringan
Lebih terperinci