Pendahuluan Setiap negara mempunyai mata uang sebagai alat tukar. Pertukaran barang dengan uang yang terjadi di dalam negeri tidak akan menimbulkan ma
|
|
- Ratna Setiawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Neural Network Implementation in Foreign Exchange Kurs Prediction Dini Oktaviani Maru'ao Undergraduate Program, Faculty of Industrial Engineering, 2010 Gunadarma University Keywords : Foreign currency exchange rate prediction, Neural Network, Bacpropagation Abstract Technology neural network system has been implemented in various applications, especially in terms of forecasting (forecasting), including backpropagation that can be applied to predict foreign exchange rates. There are two steps being taken in this backpropagation method of training and testing phases. In this network backpropagation algorithm is given a pair of pattern - a pattern that consists of the input pattern and desired pattern. When a pattern is given to the network, weights - weights modified to minimize the differences in the pattern of output and the desired pattern. This exercise is performed over and over - re-issued so that all the patterns the network can meet the desired pattern. The next stage is the testing stage. This stage begins by using the best weights obtained from the training phase to process the input data to produce the appropriate output. It is used to test whether the ANN can work well is that it can predict the pattern of data that has been drilled with a small error rate. From the test results using data from the monthly period in the training process the network can recognize input patterns are provided so entirely in accordance with the target. While testing with the use of data daily and weekly period that does not comply with the given target, it is because the network requires more data to identify patterns provided. As more data are trained, the better the network will recognize the pattern - a pattern so that the results more accurate predictions, but will be impacted by slowing the process of training.
2 Pendahuluan Setiap negara mempunyai mata uang sebagai alat tukar. Pertukaran barang dengan uang yang terjadi di dalam negeri tidak akan menimbulkan masalah mengingat nilai barang sudah disesuaikan dengan nilai uang yang berlaku. Masalah akan timbul jika barang berasal dari negara lain. Sehubungan dengan itu, perlu adanya mekanisme yang menyediakan akses untuk menukarkan mata uang asing sehingga pembayaran dari barang tersebut dapat diterima. Dengan kata lain dibutuhkan transaksi valuta asing untuk menukarkan mata uang antar negara (Cross 1998). Bursa valuta asing atau foreign exchage market ( FX market ) adalah jenis pasar yang memperdagangkan mata uang suatu Negara terhadap mata uang negara lainnya. Harga yang dibentuk dipasar ini merupakan hasil dari permintaan ( demand ) dan penawaran ( supply ) valas. Trader adalah salah satu elemen pelaku pasar valuta asing yang memanfaatkan fluktuasi nilai tukar mata uang tertentu untuk mendapatkan keuntungan. Untuk itu seorang trader harus menguasai metode yang akurat dalam memprediksi fluktuasi mata uang tertentu. Keakuratan prediksi akan menentukan keberhasilan seorang trader. Salah satu mata uang yang paling banyak diperdagangkan di bursa valuta internasional adalah Dolar Amerika Serikat. Terdapat dua pendekatan yang dipakai untk menganalisis pergerakan pasar yaitu analisis fundamental dan analisis teknikal. Peramalan merupakan suatu proses untuk memprediksi kejadian ataupun perubahan di masa yang akan datang. Dalam suatu proses kegiatan, proses peramalan ini merupakan awal dari suatu rangkaian kegiatan, dan sebagai titik tolak kegiatan berikutnya. Pemodelan time series seringkali dikaitkan dengan proses peramalan (forecasting) suatu nilai karakteristik tertentu pada periode kedepan, melakukan pengendalian suatu proses ataupun untuk mengenali pola perilaku sistem. Dengan mendeteksi pola dan kecenderungan data time series, kemudian memformulasikannya dalam suatu model, maka dapat digunakan untuk memprediksi data yang akan datang. Model dengan akurasi yang tinggi akan menyebabkan nilai prediksi cukup valid untuk digunakan sebagai pendukung dalam proses pengambilan keputusan. Salah satu metode peramalan yang berkembang saat ini adalah menggunakan Artificial Neural Network (ANN), dimana ANN telah menjadi objek penelitian yang menarik dan banyak digunakan untuk menyelesaikan masalah pada beberapa bidang kehidupan, salah satu diantaranya adalah untuk analisis data time series pada masalah Forecasting (Loh, 2003). Salah satu jaringan yang sering digunakan untuk prediksi data time series adalah Backpropagation neuron network. Dalam penulisan ini akan dibahas mengenai penggunaan jaringan saraf tiruan backpropagation untuk memprediksi kurs valuta asing. Berdasarkan uraian di atas, penulis tertarik untuk melakukan penelitian dengan judul IMPLEMENTASI JARINGAN SARAF TIRUAN BACKPROPAGATION DALAM MEMPREDIKSI KURS VALUTA ASING
3 TINJAUAN PUSTAKA Valuta Asing Valuta asing dapat diartikan sebagai mata uang yang dikeluarkan dan digunakan sebagai alat pembayaran yang sah di negara alin. Didalam hukum ekonomi bila terdapat suatu barang dan keduanya bertemu maka akan terbentuk dua hal yaitu pasar dan harga. Begitu juga halnya dengan valuta asing, bila permintaan terhadap valuta tertentu bertemu dengan penawaran valut yang sama makan akan terbentuk pasar dan harga. Pasar valuta asing dapat diartikan tempat bertemunya penawaran dan permintaan valuta asing. Pasar valuta asing terdapat diseluruh dunia dan dilakukan mulai dari perorangan sampai pemerintah. Prediksi Kurs Valuta Asing Salah satu aktivitas penting yang dilakukan oleh para pelaku pasar dipasar valuta asing adalah melakukan analisis untuk memprediksi arah kurs valuta asing di masa mendatang. Prediksi kurs valuta asing ini sangatlah penting dilakukan mengingat dengan melakukan prediksi ini maka para pelaku pasar dapat menghindari kerugian dan bahkan memperoleh keuntungan dari pergerakan kurs valuta asing. Terdapat dua Flowchart adalah penggambaran secara grafik dari langkah-langkah dan uruturutan prosedur dari suatu program. Flowchart menolong analis dan programmer untuk memecahkan masalah kedalam segmen-segmen yang lebih kecil dan menolong dalam menganalisis alternatifalternatif lain dalam pengoperasian. Flowchart biasanya mempermudah penyelesaian suatu masalah khususnya tipe analisis yang biasa dilakukan oleh para pelaku pasar dipasar valuta aing untuk memprediksi pergerakan kurs valuta asing di masa mendatang, yaitu analisis fundamental dan analisis teknikal. Analisis Fundamental Analisis fundamental adalah suatu metode untuk memprediksi arah pergerakan kurs valuta asing yang berdasarkan pada pengenalan dan pengukuran faktor faktor yang mempengaruhi pergerakan kurs valuta asing tersebut. Analisis fundamental berusaha mengindentifikasi faktor faktor apa saja yang mempengaruhi pergerakan kurs valuta asing dan melakukan pengukuran terhadap faktor faktor tersebut untuk menentukan kurs valuta asing di masa mendatang. Adapun faktor faktor tersebut biasanya merupakan faktor fundamental ekonomi, politik, keuangan, dan lain lain. Analisis Teknikal Analisis teknikal merupakan suatu metode peramalan pergerakan harga dengan menggunakan informasi yang terkandung pada pergerakan harga di masa lalu. Analisis teknikal dapat juga diartikan sebagai suatu metode peramalan harag dengan menggunakan grafik. Saat ini analisis teknikal banyak digunakan oleh para pelaku pasar valuta asing dan merupakan salah satu alat analisis utama dipasar valuta asing. Flowchart masalah yang perlu dipelajari dan dievaluasi lebih lanjut yaitu : Flowchart terbagi atas lima jenis, Flowchart Sistem (System Flowchart) Flowchart Paperwork / Flowchart Dokumen (Document Flowchart)
4 Flowchart Skematik (Schematic Flowchart) Flowchart Program (Program Flowchart) Flowchart Proses (Process Flowchart) Sejarah Jaringan Saraf Tiruan Jaringan syaraf tiruan telah dikembangkan sejak tahun Pada tahun 1943 McCulloch dan W.H.Pitts memperkenalkan pemodelan matematis neuron. Tahun 1949, Hebb mencoba mengkaji proses belajar yang dilakukan oleh neuron. Teori ini dikenal sebagai Hebbian Law. Tahun 1958, Rosenblatt memperkenalkan konsep perseptron suatu jaringan yang terdiri dari beberapa lapisan yang saling berhubungan melalui umpan maju (feed foward). Konsep ini dimaksudkan untuk memberikan ilustrasi tentang dasar-dasar intelejensia secara umum. Hasil kerja Rosenblatt yang sangat penting adalah perceptron convergence theorem (tahun 1962) yang membuktikan bahwa bila setiap perseptron dapat memilahmilah dua buah pola yang berbeda maka siklus pelatihannya dapat dilakukan dalam jumlah yang terbatas. Pada tahun 1960 Widrow dan Hoff menemukan ADALINE (Adaptive Linear Neuruon). Alat ini dapat beradaptasi dan beroperasi secara linier. Penemuan ini telah memperlebar aplikasi jaringan syaraf tiruan tidak hanya untuk pemilihan pola, tetapi juga untuk pengiriman sinyal khususnya dalam bidang adaptive filtering. Tahun 1969, Minsky dan Papert melontarkan suatu kritikan tentang kelemahan perseptronnya Rosenblatt di dalam memilah-milah pola yang tidak linier. Sejak saat itu penelitian di bidang jaringan syaraf tiruan telah mengalami masa vakum untuk kurang lebih satu dasawarsa. Tahun 1982, Hopfield telah memperluas aplikasi JST untuk memecahkan masalah-masalah optimasi. Hopfield telah berhasil memperhitungkan fungsi energi ke dalam jaringan syaraf yaitu agar jaringan memiliki kemampuan untuk mengingat atau memperhitungkan suatu obyek dengan obyek yang pernah dikenal atau diingat sebelumnya (associative memory). Konfigurasi jaringan yang demikian dikenal sebagai recurrent network. Salah satu aplikasinya adalah Travelling Salesman Problem (TSP). Pada tahun 1986 Rumelhart, Hinton dan William menciptakan suatu algoritma belajar yang dikenal sebagai propagasi balik (backpropagation). Bila algoritma ini diterapkan pada perseptron yang memiliki lapisan banyak (multi layer perceptron), maka dapat dibuktikan bahwa pemilahan pola-pola yang tidak linier dapat diselesaikan sehingga dapat mengatasi kritikan yang dilontarkan oleh Minsky dan Papert. Definisi Jaringan Saraf Tiruan Jaringan syaraf tiruan merupakan sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi (Siang 2005:2). Menurut Sekarwati (2005:1), jaringan syaraf tiruan merupakan sistem komputasi yang didasarkan atas pemodelan sistem syaraf biologis (neurons) melalui pendekatan dari sifat-sifat komputasi biologis (biological computation). Menurut Subiyanto (2002:2), jaringan syaraf tiruan adalah membuat model sistem komputasi yang dapat menirukan cara kerja jaringan syaraf biologi. Menurut Siang (2005:2), jaringan syaraf tiruan dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi dengan asumsi sebagai berikut.
5 a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neurons). b. Sinyal dikirimkan diantara neuronneuron melalui penghubung - penghubung. c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal d. Untuk menentukan keluaran (output), setiap neuron menggunakan fungsi aktivasi yang dikenakan pada penjumlahan masukan (input) yang diterima. Besarnya keluaran (output) ini selanjutnya dibandingkan dengan suatu batas ambang. mengalir searah dari layar (lapisan) masukan sampai layar (lapisan) keluaran. Setiap simpul dihubungkan dengan simpul lainnya yang berada diatasnya dan dibawahnya, tetapi tidak dengan simpul yang berada pada lapisan yang sama. Model yang masuk kategori ini antara lain : ADALINE, Hopfield, Perceptron, LVQ, dan lain-lain. Pada gambar 2.2 diperlihatkan arsitektur jaringan layar tunggal dengan n buah masukan (x1, x2,..., xn) dan m buah keluaran (y1, y2,..., ym) Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian jaringan syaraf tiruan (Siang 2005:23). Neuron terdiri dari 3 elemen pembentuk sebagai berikut. a. Himpunan unit-unit yang dihubungkan dengan jalur koneksi. b. Suatu unit penjumlah yang akan menjumlahkan masukan-masukan sinyal yang sudah dikalikan dengan bobotnya. Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron akan diteruskan ke neuron lain ataukah tidak Arsitektur Jaringan ( Konfigurasi Jaringan ) Berdasarkan arsitekturnya, model jaringan syaraf tiruan digolongkan menjadi: a. Jaringan Layar Tunggal (Single Layer Network) Pada jaringan ini, sekumpulan masukan neuron dihubungkan langsung dengan sekumpulan keluarannya. Sinyal Gambar 2.6 Jaringan Layar Tunggal b. Jaringan Layar Jamak (Multiple Layer Network) Jaringan ini merupakan perluasan dari jaringan layar tunggal. Dalam jaringan ini, selain unit masukan dan keluaran, ada unit-unit lain (sering disebut layar tersembunyi). Dimungkinkan pula ada beberapa layar tersembunyi. Model yang termasuk kategori ini antara lain : MADALINE, backpropagation. Pada gambar 2.3 diperlihatkan jaringan dengan n buah unit masukan (x1, x2,..., xn), sebuah layar tersembunyi yang terdiri dari m buah unit (z1,z2,..., zm) dan 1 buah unit keluaran.
6 Gambar 2.7 Jaringan Layar jamak memenuhi beberapa syarat sebagai berikut. 1. Kontinu. 2. Terdiferensial dengan mudah. 3. Merupakan fungsi yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga sering dipakai adalah fungsi sigmoid biner yang memiliki range (0,1). Fungsi sigmoid biner didefinisikan sebagai berikut. c. Jaringan Reccurent Model jaringan reccurent (reccurent network) mirip dengan jaringan layar tunggal ataupun jamak. Hanya saja, ada simpul keluaran yanng memberikan sinyal pada unit masukan (sering disebut feedback loop). Dengan kata lain sinyal mengalir dua arah, yaitu maju dan mundur. Contoh : Hopfield network, Jordan network, Elmal network. Fungsi lain yang sering dipakai adalah fungsi sigmoid bipolar dengan range (-1,1) yang didefinisikan sebagai berikut. Jaringan Saraf Tiruan Backpropagation Backpropagation merupakan model jaringan syaraf tiruan dengan layar jamak. Seperti halnya model jaringan syaraf tiruan lainnya, backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan. a. Fungsi Aktivasi pada Backpropagation Dalam backpropagation, fungsi aktivasi yang dipakai harus Fungsi sigmoid memiliki nilai maksimum 1. Untuk pola yang targetnya lebih dari 1, pola masukan dan keluaran harus terlebih dahulu ditransformasi sehingga semua polanya memiliki range yang sama seperti fungsi sigmoid yang dipakai. Alternatif lain adalah menggunakan fungsi aktivasi sigmoid hanya pada layar yang bukan layar keluaran. Pada layar keluaran, fungsi aktivasi yang dipakai adalah fungsi identitas f (x) = x. b. Pelatihan Backpropagation Pelatihan backpropagation meliputi 3 fase. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran
7 menggunakan fungsi aktivitasi yang ditentukan. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagation mundur, dimulai dari garis yang berhubungan langsung dengan unit unit di layar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkankeslahan yang terjadi. Pelatihan backpropagation meliputi 3 fase sebagai berikut. 1. Fase 1, yaitu propagasi maju. Selama propagasi maju, sinyal masukan ( = xi ) dipropagasikan ke layar tersembunyi menggunakan funsi aktivitasi yang ditentukan. Keluaran dari setiap unit layar tersembunyi (= zj ) tersebut selanjutnya dipropagasikan maju lagi ke layar tersembunyi di atasnya menggunakan fungsi aktivitas yang ditentukan. Demikian seterusnya hingga menghasilkan keluaranjaringan ( = yk ). Berikutnya, keluaran jaringan ( = yk ) dibandingkan dengan target yang harus dicapai ( = tk ). Selisih tk yk adalah kesalahan yang terjadi. Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Akan tetapi apabila kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi 2. Fase 2, yaitu propagasi mundur. Berdasarkan keslahan tk yk, dihitung faktor δk ( k = 1,2,..., m ) yang dipakai untuk mendistribusikan keslahan di unit yk ke semua unit tersembunyi yang terhubung langsung dengan yk. δk juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung faktor δj di setiap unit layar tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layar dibawahnya. Demikian seterusnya hingga semua faktor δ di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung. 3. Fase 3, yaitu perubahan bobot. Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamman. Perubahan bobot suatu garis didasarkan atas faktor δ neuron dilayar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar keluaran didasarkan atas δk yang ada di unit keluaran. Ketiga fase tersebut diulang ulang terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan. Algoritma pelatihan untuk jaringan backpropagation dengan satu layar tersembunyi (dengan fungsi aktivasi sigmoid biner) adalah sebagai berikut. a. Langkah 0 Inisialisasi semua bobot dengan bilangan acak kecil. b. Langkah 1 Jika kondisi penghentian belum dipenuhi, lakukan langkah 2-8.
8 c. Langkah 2 Untuk setiap pasang data pelatihan, lakukan langkah 3-8. d. Langkah 3 (langkah 3-5 merupakan fase 1) Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi diatasnya. e. Langkah 4 Hitung semua keluaran di unit tersembunyi zj (j = 1, 2,..., p). perubahan bobot layar dibawahnya. Hitung perubahan bobot wkj dengan laju pemahaman α. h. Langkah 7 Hitung faktor δ unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi zj (j = 1, 2,..., p). f. Langkah 5 Hitung semua keluaran jaringan di unit keluaran yk (k = 1, 2,...,m). Faktor δ unit tersembunyi. Hitung suku perubahan bobot vji. g. Langkah 6 (langkah 6-7 merupakan fase 2) Hitung faktor δ unit keluaran berdasarkan kesalahan di setiap unit keluaran yk (k = 1, 2,..., m). i. Langkah 8 (fase 3) Hitung semua perubahan bobot. Perubahan bobot garis yang menuju ke unit keluaran, yaitu: Perubahan bobot garis yang menuju ke unit tersembunyi, yaitu: keluaran δk merupakan unit kesalahan yang akan dipakai dalam
9 Parameter α merupakan laju pemahaman yang menentukan kecepatan iterasi. Nilai α terletak antara 0 dan 1 (0 α 1). Semakin besar harga α, semakin sedikit iterasi yang dipakai. Akan tetapi jika harga α terlalu besar, maka akan merusak pola yang sudah benar sehingga pemahaman menjadi lambat. Satu siklus pelatihan yang melibatkan semua pola disebut epoch. Pemilihan bobot awal sangat mempengaruhi jaringan syaraf tiruan dalam mencapai minimum global (atau mungkin lokal saja) terhadap nilai error (kesalahan) dan cepat tidaknya proses pelatihan menuju kekonvergenan. Apabila bobot awal terlalu besar maka input (masukan) ke setiap lapisan tersembunyi atau lapisan output (keluaran) akan jatuh pada daerah dimana turunan fungsi sigmoidnya akan sangat kecil. Apabila bobot awal terlalu kecil, maka input (masukan) ke setiap lapisan tersembunyi atau lapisan output (keluaran) akan sangat kecil. Hal ini akan menyebabkan proses pelatihan berjalan sangat lambat. Biasanya bobot awal diinisialisasi secara random dengan nilai antara -0.5 sampai 0.5 (atau -1 sampai 1 atau interval yang lainnya). Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola. Dalam hal ini, hanya propagasi maju (langkah 4 dan 5) saja yang dipakai untuk menentukan keluaran jaringan. Backpropagation dalam Peramalan Salah satu bidang dimana backpropagation dapat diaplikasikan dengan baik adalah bidang peramalan ( forecating ). Peramalan yang sering kita dengar adalah peramalan besarnya penjualan, nilai tukar valuta asing, prediksi besarnya aliran sungai,dll. Sebagai contoh, dalam penjualan barang, diketahui record data penjualan suatu produk beberapa bulan/tahun terakhir. Masalahnya adalah memperkirakan berapa perkiraan produk yang terjual dalam bulan/tahun yang akan datang. Secara umum, masalah peramalan dapat dinyatakan sebagai berikut : Diketahui sejumlah data runtun waktu (time series) x1, x2,..., xn. Masalahnya adalah memperkirakan berapa harga xn+1 berdasarkan x1, x2,..., xn. Dengan backpropagation, record data dipakai sebagai data pelatihan untuk mencari bobot yang optimal. Untuk itu kita perlu menetpakan besarnya periode dimana data berfluktuasi. Periode ini kita tentukan secara intuitif. Misalkan pada data besarnya debit air sungai dengan data bulanan, periode data dapat diambil selama satu tahun karena pergantian musim terjadi selama satu tahun. Jumlah data dalam satu periode ini dipakai sebagai jumlah masukan dalam backpropagation. Sebagai targetnya diambil data bulan pertama setelah periode berakhir. Pada data bulanan dengan periode satu tahun, maka masukan backpropagation yang dipakai terdiri dari 12 masukan. Keluaran adalah 1 unit. Bagian tersulit adalah menetukan jumlah layar ( dan unitnya ). Tidak ada teori yang dengan pasti dapat dipakai. Tapi secara praktis dicoba jarinagn yang kecil terlebih dahulu ( misal terdiri dari 1 layar tersembunyi dengan beberapa unit saja ). Jika gagal ( kesalahan tidak tururn dalam epoch yang besar ), maka jaringan dipebesar dengan menambahkan unit tersembunyi atau bahkan menambah layar tersembunyi. Langkah-langkah membangun struktur jaringan untuk peramalan sebagai berikut: 1. Pembagian Data Langkah pertama adalah pembagian data. Data dibagi menjadi data pelatihan dan pengujian. Beberapa komposisi data
10 pelatihan dan pengujian yang sering digunakan adalah sebagai berikut: (a) 80% untuk data pelatihan dan 20% untuk data pengujian. (b) 70% untuk data pelatihan dan 30 % untuk data pengujian. (c) 2 untuk data pelatihan dan 1 untuk data 3 3 pengujian. (d) 50% untuk data pelatihan dan 50 % untuk data pengujian. (e) 60% untuk data pelatihan dan 40 % untuk data pengujian. Aspek penbagian data harus ditekankan agar jaringan mendapat data pelatihan yang secukupnya dan data pengujian dapat menguji prestasi pelatihan yang dilakukan berdasarkan nilai MSE data pelatihan dan pengujian. Bilangan data yang kurang untuk proses pelatihan akan menyebabkan jaringan mungkin tidak dapat mempelajari taburan data dengan baik. Sebaliknya, data yang terlalu banyak untuk proses pelatihan akan melambatkan proses pemusatan (konvergensi). Masalah overtraining (data pelatihan yang berlebihan) akan menyebabkan jaringan cenderung untuk menghafal data yang dimasukkan daripada menggeneralisasi. 2. Preprocessing/ Normalisasi Sebelum digunakan untuk proses pelatihan, perlu dilakukan penskalaan terhadap harga-harga input dan target sedemikian hingga data-data input dan target tersebut masuk dalam suatu range tertentu yang disebut preprocessing atau normalisasi data. Runtun data masukan dan target dinormalisasi dengan membawa data ke bentuk normal yang memiliki mean = 0 dan deviasi standar = 1, berdasarkan rumus: Nilai baru = [Nilai lama (rata-rata)] Deviasi standar Matlab menyediakan fungsi prestd untuk melakukan normalisasi, dengan syntax: [pn,meanp,stdp,tn,meant,stdt] = prestd(p,t) dengan p adalah matriks input pelatihan dan t adalah matriks target, yaitu nilai penutupan esok hari. Fungsi ini akan menghasilkan: pn : matriks input yang ternormalisasi (mean= 0, deviasi standar= 1) tn : matriks target yang ternormalisasi (mean= 0, deviasi standard= 1) meanp : mean pada matriks input asli (p) stdp : deviasi standar pada matriks input asli (p) meant: mean pada matriks target asli (t) stdt : deviasi standar pada matriks target asli (t) 3. Perancangan Struktur Jaringan Yang Optimum Langkah selanjutnya adalah penentuan jumlah lapisan masukan (input), lapisan tersembunyi, dan jumlah lapisan keluaran yang akan digunakan dalam jaringan. Penggunaan jaringan dengan dua atau lebih lapisan tersembunyi dalam masalah peramalan kebanyakan tidak akan memberikan pengaruh yang sangat besar terhadap prestasi jaringan untuk melakukan peramalan. Selain itu akan melambatkan proses pelatihan yang disebabkan bertambahnya unit. 4.Pemilihan Koefisien Pemahaman (learning rate) dan Momentum Pemilihan koefisien pemahaman dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun dan digunakan dalam peramalan, hasil keputusan yang kurang memuaskan dapat diperbaiki dengan penggunaan koefisien pemahaman dan momentum secara trial and error untuk mendapatkan nilai
11 bobot yang paling optimum agar MSE jaringan dapat diperbaiki. 5.Postprocessing/ Denormalisasi Setelah proses pelatihan selesai, harga-harga ternormalisasi output jaringan harus dikembalikan (denormalisasi) ke harga aslinya untuk mendapatkan nilai output pada range yang sebenarnya. Matlab menyediakan fungsi poststd untuk melakukan denormalisasi, dengan syntax: [p,t]=poststd(pn,meanp,stdp,tn,meant,std t) dengan p dan t adalah matriks yang telah didenormalisasi. Apabila ada data input baru yang akan disimulasikan yaitu pada proses pengujian, data baru tersebut juga harus disesuaikan dengan mean dan deviasi standar dari jaringan. Matlab menyediakan fungsi trastd, dengan syntax: pnewn : trastd(pnew,minp,maxp); anew : sim(net,pnewn); a : poststd(anew,mint,maxt); fungsi diatas akan menghasilkan: pnewn : matriks input baru yang ternormalisasi sesuai dengan jaringan a : matriks output jaringan yang telah didenormalisasi 7. Pemilihan Jaringan Optimum dan Penggunaannya untuk Peramalan Langkah-langkah pemilihan jaringan yang optimum sebagai berikut: a. Proses pelatihan dilakukan terhadap data pelatihan dengan struktur jaringan yang memiliki unit tersembunyi berbeda akan diproleh nilai MSE-nya. Jaringan dengan nilai MSE terendah dipilih sebagai jaringan yang optimum untuk digunakan dalam peramalan. b. Setelah proses pelatihan dilakukan proses pengujian terhadap data pengujian dan data yang ikut dilatih dengan struktur jaringan yang memiliki jumlah unit tersembunyi berbeda yang telah dilatih akan diperoleh nilai keluaran jaringan. Nilai error, SSE dan MSE masingmasing struktur jaringan dihitung. Proses pengujian dilakukan untuk menguji prestasi pelatihan dan sebagai pendukung bahwa jaringan terpilih sebagai jaringan yang tepat untuk model peramalan. c. Proses peramalan dilakukan dengan menggunakan jaringan terpilih. MATLAB MATLAB (Matrix Laboratory) adalah sebuah program untuk analisis dan komputasi numerik dan merupakan suatu bahasa pemrograman matematika lanjutan yang dibentuk dengan dasar pemikiran menggunkan sifat dan bentuk matriks. Pada awalnya, program ini merupakan interface untuk koleksi rutin-rutin numeric dari proyek LINPACK dan EISPACK, dan dikembangkan menggunkan bahasa FORTRAN namun sekarang merupakan produk komersial dari perusahaan Mathworks, Inc.yang dalam perkembangan selanjutnya dikembangkan menggunakan bahasa C++ dan assembler (utamanya untuk fungsi-fungsi dasar MATLAB). MATLAB telah berkembang menjadi sebuah environment pemrograman yang canggih yang berisi fungsi-fungsi built-in untuk melakukan tugas pengolahan sinyal, aljabar linier, dan kalkulasi matematis lainnya. MATLAB juga berisi toolbox yang berisi fungsi-fungsi tambahan untuk aplikasi khusus. MATLAB bersifat extensible, dalam arti bahwa seorang pengguna dapat menulis fungsi baru untuk
12 ditambahkan pada library ketika fungsifungsi built-in yang tersedia tidak dapat melakukan tugas tertentu. Kemampuan pemrograman yang dibutuhkan tidak terlalu sulit bila Anda telah memiliki pengalaman dalam pemrograman bahasa lain seperti C, PASCAL, atau FORTRAN. MATLAB (MATrix LABoratory) yang merupakan bahasa pemrograman tingkat tinggi berbasis pada matriks sering digunakan untuk teknik komputasi numerik, yang digunakan untuk menyelesaikan masalah-masalah yang melibatkan operasi Perancangan dan Implementasi Pada bab ini akan membahas mengenai perancangan dan implementasi prediksi nilai tukar USD dengan AUD menggunakan jaringan saraf tiruan dengan metode backpropagation. Proses peramalan menggunakan metode backpropagation dibagi 4 proses, yaitu preprocessing, proses training backpropagation, proses peramalan dan postprocessing. Pada tahap preprocessing dilakukan penentuan periode input yang akan digunakan untuk training nanti. Pada tahap proses backpropagation, data yang telah dinormalisasi akan mengalami proses learning sehingga didapatkan pola data. Pada tahap ketiga adalah proses peramalan, pada tahap ini nilai hasil training backpropagation akan diinputkan pada data input periode akhir untuk menghasilkan output peramalan. Selanjutnya output yang didapat dari hasil peramalan didenormalisasikan agar range data sesuai dengan data asli matematika elemen, matrik, optimasi, aproksimasi dll. Sehingga Matlab banyak digunakan pada : Matematika dan Komputansi Pengembangan dan Algoritma Pemrograman modeling, simulasi, dan pembuatan prototipe Analisa Data, eksplorasi dan visualisasi Analisis numerik dan statistik Pengembangan aplikasi teknik Input data kurs ini berdasarkan pada variabel-variabel data harga pembukaan, harga penutupan, harga tertinggi, harga terendah, volume. Gambar 3.2 menunjukkan flowchart pelatihan jaringan syaraf tiruan untuk 1 arsitektur jaringan, untuk arsitektur yang lain caranya juga sama. Pelatihan dilakukan dengan data yang banyak yang bisa mewakili keadaan kurs yang terjadi. Diagram Alir Sistem ( Flowchart ) Diagram alir sistem digunakan untuk menggambarkan langkah kerja sistem yang akan dibuat dan juga akan digunakan oleh penulis untuk menentukan langkah-langkah berikutnya.. Data yang digunakan adalah data sekunder dari harga kurs USD/AUD.
13
14 mulai Load data pengujian Normalisasi data Ambil bobot terbaik Feedforward Denormalisasi data Tampilkan hasil prediksi selesai Gambar 3.3 Flowchart program pengujian jaringan saraf tiruan Pengumpulan Data Data yang digunakan dalam penelitian ini tidak diambil secara langsung dari lapangan tetapi diambil dari data yang telah ada (dicatat) pada sebuah website dukascopy.com yang menyediakan data histories perdagangan berbagai mata uang asing. Data yang digunakan dalam percobaan ini adalah data kurs mata uang Dollar Amerika (USD) dengan Dollar Australia (AUD) dari tanggal 1 Oktober 2008 sampai 19 Oktober Perancangan Arsitektur Jaringan Arsitektur jaringan adalah jumlah layer dan neuron pada input, hidden dan output. Dalam permasalahan ini untuk memprediksi harga kurs USD terhadap AUD, diperlukan data dari pasar Foreign exchage market ( FX market ) atau pasar valas yang bergerak di bidang perdagangan mata uang asing, penulis memperoleh data dari situs dukascopy.com yang menyediakan data histories yang diperlukan penulis. Arsitektur jaringan terdiri dari input layer sejumlah 5 neuron, hidden layer sejumlah n neuron (n =10,11,12 40), output layer terdiri dari 1 neuron yaitu harga penutupan kurs USD esok hari. Misal input layer sejumlah 5 neuron, hidden layer sejumlah 10 neuron dan output layer terdiri dari 1 neuron maka arsitektur jaringan tersebut adalah Gambar 3.4 menunjukkan arsitektur jaringan untuk peramalan nilai tukar mata uang asing menggunakan 1 layer input, 1 hidden layer dan 1 output layer.
15 Jumlah Sel Tersembunyi Hasil teoritis yang didapat menunjukkan bahwa jaringan dengan sebuah layer tersembunyi sudah cukup bagi backpropagation untuk menegnali sembarang perkawanan antara masukkan dan target dengan tingkat ketelitian yang ditentukan. Akan tetapi penambahan layer tersembunyi kadangkala membuat pelatihan lebih mudah. Jumlah layer tersembunyi dan jumlah selnya harus dicoba coba, dimulai dari yang kecil ( misal 2 sel). Penulis menggunakan satu layer tersembunyi, dan jumlah sel yang digunakan dicoba dari sel terkecil yaitu 2. Model Pelatihan Data-data inputan akan diproses menggunakan palatihan Artificial Neuron Network (ANN) dengan metode backpropagation. Input dari pelatihan ini adalah data data histories nilai tukar USD/AUD yang diakses melalui situs dukascopy.com. Sehingga Jaringan akan mempunyai 5 sel input yaitu nilai penutupan, nilai pembukaan, nilai tertinggi, nilai terendah, dan volume. Fungsi aktivasi atau pelatihan pada jaringan ini mempunyai 2(dua) buah lapisan. Lapisan pertama pada fungsi aktivasi input memiliki 8 sel sel lapisan tersembunyi untuk data periode harian, mingguan dan bulanan, sedangkan lapisan terakhir yang merupakan fungsi aktivasi untuk output mempunyai 1 sel sel untuk semua periode data Pelatihan dengan metode ini menggunakan beberapa fungsi. Fungsi yang dipakai antara lain adalah sigmoid bipolar untuk lapisan tersembunyi dan purelin untuk lapisan output. Jaringan saraf tiruan ini juga menggunakan metode pelatihan yaitu algoritma gradien conjugate metode Polak - Ribiere yaitu traincgp. Analisis Hasil Pelatihan Dari hasil simulasi jaringan saraf tiruan untuk setiap inputan data berbeda beda. Dapat diambil kesimpulan adanya pengaruh learning rate, banyaknya data inputan. Learning rate yang digunakan untuk data harian dan mingguan adalah 0.5, proses epoch berhenti pada 8480 untuk data harian, 2688 untuk data mingguan dan untuk data bulanan learning rate yang digunakan lebih besar yaitu 0.9, hasil proses epochs yang dihasilkan lebih kecil yaitu 67. Dari hasil diatas dapat diambil kesimpulan Penggunaaan learning rate
16 terlalu besar, semakin cepat pula proses pelatihan, akan tetapi jika learning rate terlalu besar, maka algoritma menjadi tidak stabil dan mencapai titik minimum local. Banyaknya inputan untuk lapisan input juga berpengaruh untuk keakuratan prediksi oleh jaringan saraf tiruan yang ditunjukkan oleh gambar grafik 4.8, 4.5, dan 4.2. Hasil dari korelasi yang ditunjukkan dari ketiga data berbeda beda. Untuk data periode harian korelasi yang dihasilkan lebih kecil dari hasil data periode mingguan, dan korelasi yang hampir mendekati angka 1 dihasilkan oleh data bulanan. Dengan learning rate, target error dan data pembelajaran yang sama belum pasti mengahasilkan tingkat prediksi yang sama, hal ini dikarenakan nilai bobot bobot pada tiap tiap neuron yang dihasilkan oleh setiap pembelajaran berbeda. Penyebab bobot dari tiap tiap neuron yang dihasilkan oleh setiap pembelajaran pasti berbeda adalah dikarenakan pemberian nilai bobot awal dengan nilai random dimana nilai random setiap pembelajaran berbeda. Hasil Prediksi Harian Setelah dilakukan pelatihan untuk pola input data harian kurs valuta USD/AUD selama periode 1 Oktober 2008 sampai 29 Januari 2009 dilakukan pengujian jaringan untuk memprediksi kurs valuta asing. Dalam hal ini jaringan diuji untuk memprediksi harga penutupan keesokan harinya dengan menggunakan data yang tidak ikut dilatih dari tanggal 1-20 januari Tabel 4.4 Hasil prediksi kurs valuta asing dengan periode harian Hasil Pengujian Setelah melewati tahap pelatihan, yang dilakukan selanjutnya adalah tahap pengujian. Pengujian jaringan memprediksi harga penutupan kurs valas periode selanjutnya,dimana terdapat nilai error yang merupakan selisih antara harga prediksi jaringan saraf tiruan dengan harga penutupan aslinya, lalu diadakan evaluasi. Evaluasi terhadap kinerja jaringan diukur dengan analisi regresi, dan untuk melihat lebih jelas penyimpangan antara nilai real dan prediksi disajikan pula dalam bentuk grafik.
17 Hasil Prediksi Mingguan Prediksi harga penutupan kurs valuta asing dilakukan setelah pelatihan jaringan untuk pola input data mingguan. Dalam hal ini jaringan diuji untuk memprediksi harga penutupan minggu selanjutnya untuk data pengujian sejumlah 11 data (10 Agustus 2009 sampai 19 Oktober 2009).Dengan mendapatkan error dari selisih harga real dan prediksi JST, hasil prediksi terlihat dalm tabel dibawah ini. Tabel 4.5 Hasil prediksi kurs valuta asing periode mingguan Hasil Prediksi Bulanan Hasil pengujian yang didapat oleh jaringan backpropagation (5-8-1) untuk memprediksi harga penutupan kurs valuta asing (USD/AUD) pada bulan September, November dan December setelah diadakan pelatihan dengan pola masukkan data dari 1 Oktober 2008 sampai 1 Agustus dapat dilihat dalam bentuk tabel 4.6 Tabel 4.6 Hasil prediksi kurs valuta asing periode bulanan Pengamatan Hasil Pada pelatihan jaringan untuk periode harian, mingguan dan bulanan, error hasil pelatihan terhadap harga penutupan real bernilai kecil, hal ini berarti jaringan mampu mengenali pola masukkan dan merespon dengan benar terhadap pola masukkan yang serupa dengan pola yang dipakai selama pelatihan. Begitu pula terhadap pengujian jaringan untuk periode bulan, namun hali ini berbeda untuk prediksi kur valuta asing periode mingguan dan bulanan. Hal ini disebabkan oleh beberapa kemungkinan ( tidak bisa dijelaskan pasti karena merupakan prakiraan) sebagai berikut : Data histories yang digunakan untuk variable masukkan JST kurang bayak. Data yang digunakan untuk memprediksi kurs valuta tidak bisa mewakili sebagai factor utama yang mempengaruhi nilai kurs valuta asing. Batas nilai kesalahan yang kurang kecil.
18 Penutup Kesimpulan Setelah melakukan pelatihan dan pengujian, dapat ditarik kesimpulan : 1. algoritma backpropagation dapat melakukan proses prediksi, akan tetapi baik atau tidaknya nilai yang dihasilkan sangat dipengaruhi oleh penentuan parameter seperti besarnya learning rate dan jumlah neuron pada hidden layer. Untuk menghasilkan konfigurasi parameter yang baik diperlukan waktu cukup lama dalam melakukan eksperimen mencari parameter yang terbaik yang nantinya parameter yang baru tersebut dapat dipakai untuk proses prediksi. Berdasarkan hasil eksperiman yang dilakukan penulis jaringan yang menghasilkan konvergensi dengan epoch tercepat 67 memiliki parameter yaitu learning rate = 0.9, jumlah hidden layer =1, dan target error yang digunakan adalah Dari hasil pengujian dengan menggunakan data periode bulanan dalam proses training jaringan mampu mengenali pola masukan yang diberikan sehingga seluruhnya sesuai dengan target. Sedangkan pengujian dengan menggunakan data periode perhari dan mingguan yang tidak sesuai dengan target yang diberikan, ini disebabkan karena jaringan memerlukan data yang lebih banyak lagi untuk mengenali pola yang diberikan. Karena semakin banyak data yang dilatihkan, jaringan akan semakin baik mengenali pola pola tertentu sehingga hasil prediksinya lebih akurat, namun akan berdampak dengan melambatnya proses pelatihan. 2. Terdapat faktor faktor yang mempengaruhi tingkat kebenaran prediksi pada jaringan saraf tiruan Backpropagation yaitu learning rate, taget error, jumlah data pembelajaran dan nilai bobot yang diberikan secara random yang pada tiap - tiap neuron Saran 3. Dengan learning rate, target error dan data pembelajaran yang sama belum pasti mengahasilkan tingkat prediksi yang sama, hal ini dikarenakan nilai bobot bobot pada tiap tiap neuron yang dihasilkan oleh setiap pembelajaran berbeda. Penyebab bobot dari tiap tiap neuron yang dihasilkan oleh setiap pembelajaran pasti berbeda adalah dikarenakan pemberian nilai bobot awal dengan nilai random dimana nilai random setiap pembelajaran berbeda. 4. Penurunan leraning rate akan membuat proses pembelajaran semakin lambat 1. Dikembangkan penelitian lebih mendalam dan variasi algoritma pelatihan supaya didapatkan hasil yang optimal dengan waktu pelatihan yang lebih singkat. 2. Komposisi pembagian data yang lain perlu dicoba untuk
19 memperoleh hasil yang lebih optimal 3. Lapisan tersembunyi lebih dari satu dan parameter yang digunakan di set lebih tepat lagi agar jaringan dapat mengenali semua pola data input, dan dapat memprediksi dengan akurat. DAFTAR PUSTAKA [1] Abdia Away, Gunaidi The shortcut of MATLAB programming. Bandung : Informatika. [2] Hermawan, Arief Jaringan Saraf Tiruan. Yogyakarta : ANDI. [3] Jong Jek Siang Jaringan Saraf Tiruan dan Pemrogramannya Menggunakan MATLAB.Yogyakarta: ANDI. [4] Muis,Saludin Jaringan Saraf Tiruan Sebagai Alat Bantu Peramalan Harga Saham. Yogyakarta : Graha ilmu. [5] PSW, Anugrah Perbandingan Jaringan Syaraf Tiruan Backpropagation dan Metode Deret Berkala BOX-JENKINS (ARIMA) sebagai Metode Peramalan Curah Hujan. Penyelesaian Studi Strata 1. Gelar Sarjana Sains Fakultas Matematika dan Ilmu Alam Universitas Negeri Semarang. Semarang [6] Rokhmawati,Kasni Peramalan Data Time Series Menggunakan Metode ANFIS. Syarat dalam Mencapai Gelar Sarjana Strata Satu Program Teknik Informatika Universitas Mercu Buana. Jakarta. [7] Muqtashidah, Ida Jaringan Syaraf Tiruan Backpropagation dan Analisis Runtun Waktu sebagai Metode Forecast Pada Penghitungan Laju Inflasi. Gelar Sarjana Sains Program Studi Matematika Universitas Negeri Semarang. Semarang [8] Yusiana, Rima Marina. Optimasi Portofolio Menggunakan Jaringan Saraf Tiruan. Universitas Gunadarma [9] Kusumadewi, Sri, Sri Hartati., NEURO-FUZZY Integrasi Sistem Fuzzy dan Jaringan Saraf. Yogyakarta: Graha Ilmu, 2006.
IMPLEMENTATION OF BACKPROPAGATION ARTIFICIAL NEURAL NETWORK IN PREDICTING FOREIGN CURRENCY
IMPLEMENTATION OF BACKPROPAGATION ARTIFICIAL NEURAL NETWORK IN PREDICTING FOREIGN CURRENCY Dini Oktaviani Maru ao Undergraduate Program, Faculty of Industrial Technology, 2010 Gunadarma University http://www.gunadarma.ac.id
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 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 MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN 1.1 Latar belakang Hujan merupakan salah satu unsur iklim yang berpengaruh pada suatu daerah aliran sungai (DAS). Pengaruh langsung yang dapat diketahui yaitu potensi sumber daya air. Besar
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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2. Jaringan Saraf Tiruan Jaringan saraf tiruan (JST) pertama kali diperkenankan oleh McCulloch dan Walter Pitts pada tahun 943. Jaringan saraf tiruan merupakan suatu sistem pemrosesan
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
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 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 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 terperinciPemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat
Pemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat SKRIPSI Disusun oleh: MAULIDA NAJWA 24010212130028 DEPARTEMEN STATISTIKA
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 terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciPERAMALAN PRODUKSI CABAI RAWIT DENGAN NEURAL NETWORK Muhammad Fajar
PERAMALAN PRODUKSI CABAI RAWIT DENGAN NEURAL NETWORK Muhammad Fajar Abstrak Tujuan penelitian ini untuk melakukan peramalan produksi cabai rawit dengan menggunakan neural network. Data yang digunakan dalam
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
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 III METODOLOGI PENELITIAN
38 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Peramalan, Curah Hujan, Knowledge Discovery in Database, Jaringan Saraf Tiruan, Backpropagation, Optimalisasasi Backpropagation Pengumpulan
Lebih terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
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 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
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 terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
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 terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
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 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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR Sofi Dwi Purwanto Teknik Informatika Universitas Islam Negeri Maulana Malik
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 terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pasar valuta asing telah mengalami perkembangan yang tak terduga selama beberapa dekade terakhir, dunia bergerak ke konsep "desa global" dan telah menjadi salah satu pasar
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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI LAJU INFLASI DI KABUPATEN KLATEN NASKAH PUBLIKASI
IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI LAJU INFLASI DI KABUPATEN KLATEN NASKAH PUBLIKASI diajukan oleh Kurniawati Handayani 09.11.3278 kepada SEKOLAH TINGGI MANAJEMEN
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan diuraikan materi yang mendukung dalam pembahasan evaluasi implementasi sistem informasi akademik berdasarkan pengembangan model fit HOT menggunakan regresi linier
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 terperinciPOSITRON, Vol. IV, No. 2 (2014), Hal ISSN :
Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun
Lebih terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN Titik Misriati AMIK BSI Jakarta Jl. R.S Fatmawati No. 24 Pondok Labu, Jakarta Selatan titik.tmi@bsi.ac.id ABSTRACT
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
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 terperincioleh WAHYUNI PUTRANTO NIM. M SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
PERBANDINGAN METODE GRADIENT DESCENT DAN GRADIENT DESCENT DENGAN MOMENTUM PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN KURS TENGAH RUPIAH TERHADAP DOLAR AMERIKA oleh WAHYUNI PUTRANTO NIM.
Lebih terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
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 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 terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI
PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION (Studi Kasus : Harga Penutupan Saham Unilever Indonesia Tbk. Periode September
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Investasi merupakan suatu rangkaian tindakan menanamkan sejumlah dana dengan tujuan mendapatkan nilai tambah berupa keuntungan dimasa yang akan datang. Dalam perkembangannya
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 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 terperinciANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR
Jurnal Teknik dan Ilmu Komputer ANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR PARAMETER VARIATION ANALYSIS OF LEARNING VECTOR QUANTIZATION
Lebih terperinciGambar 3.1 Desain Penelitian
METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Permalan Time Series, Harga Minyak Bumi, Jaringan Syaraf Tiruan, Backpropagation Pengumpulan Data Harga Minyak Bumi di Indonesia Perancangan
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 terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciBAB 1 PENDAHULUAN 1.1 LATAR BELAKANG
BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciPENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto
PENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto Teknik Informatika, Univesitas Dian Nuswantoro ABSTRACT: Peramalan saham merupakan
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 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 terperinciBAB VIIB BACKPROPAGATION dan CONTOH
BAB VIIB BACKPROPAGATION dan CONTOH 7B. Standar Backpropagation (BP) Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan
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 terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciMENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB
POLITEKNOSAINS VOL. X NO. 2 Juni 2011 MENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB Yaya Finayani Teknik Elektro, Politeknik Pratama Mulia, Surakarta 57149, Indonesia ABSTRACT
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 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 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 terperinciADLN - Perpustakaan Universitas Airlangga ABSTRAK. viii
Muhammad Arif Santoso, 2015. Peramalan Penjualan Produk Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine. Skripsi ini dibawah bimbingan Auli Damayanti,S.Si, M.Si dan Dr. Herry Suprajitno,
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 terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
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 terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciPERAMALAN NILAI TUKAR MATA UANG MENGGUNAKAN ALGORITMA GRADIEN CONJUGATE DENGAN METODE FLETCHER-REEVES
PERAMALAN NILAI TUKAR MATA UANG MENGGUNAKAN ALGORITMA GRADIEN CONJUGATE DENGAN METODE FLETCHER-REEVES Wafistrietman Corris¹, Retno Novi Dayawati², Tjokorda Agung Budi Wirayuda³ ¹Teknik Informatika,, Universitas
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinci4.1. Pengumpulan data Gambar 4.1. Contoh Peng b untuk Mean imputation
4.1. Pengumpulan data Data trafik jaringan yang diunduh dari http://www.cacti.mipa.uns.ac.id:90 dapat diklasifikasikan berdasar download rata-rata, download maksimum, download minimum, upload rata-rata,
Lebih terperinciPrediksi Beban Listrik Pulau Bali Dengan Menggunakan Metode Backpropagasi
Prediksi Beban Listrik Pulau Bali Dengan Menggunakan Metode Backpropagasi Qoriatul Fitriyah 1),Didi Istardi 2) 1) Jurusan Teknik Elektro Politeknik Batam, Batam 29461, email: fitriyah@polibatam.ac.id Jurusan
Lebih terperinciPERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP)
PERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP) Apriliyah, Wayan Firdaus Mahmudy, Agus Wahyu Widodo Program Studi Ilmu Komputer Fakultas MIPA Universitas
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 terperinciKenyo Puspito Rini 1), Ir. Usman Effendi, MS. 2), Dhita Morita Ikasari, STP, MP. 2)
PERAMALAN PERMINTAAN MINUMAN KESEHATAN INSTAN JAHE MENGGUNAKAN JARINGAN SYARAF TIRUAN dan METODE TIME SERIES (Studi Kasus di Agroindustri Minuman Kesehatan Instan DIA Malang) Kenyo Puspito Rini 1), Ir.
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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN DENGAN ALGORITMA PROPAGASI BALIK UNTUK MEMPREDIKSI KETINGGIAN AIR DI SUATU DAERAH ALIRAN SUNGAI RENDI PRASETYA
IMPLEMENTASI JARINGAN SYARAF TIRUAN DENGAN ALGORITMA PROPAGASI BALIK UNTUK MEMPREDIKSI KETINGGIAN AIR DI SUATU DAERAH ALIRAN SUNGAI RENDI PRASETYA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciJurnal Fisika Unand Vol. 2, No. 4, Oktober 2013 ISSN
PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN BEBERAPA FUNGSI PELATIHAN BACKPROPAGATION (Studi Kasus: Stasiun Meteorologi Tabing Padang, Tahun 2001-2012) Cici Oktaviani, Afdal
Lebih terperinciBAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH
BAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu data saham Astra Internasional Tbk tanggal 2 Januari
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
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 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Stasioneritas Stasioneritas berarti bahwa tidak terdapat perubahan yang drastis pada data. Fluktuasi data berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN (JST) UNTUK MEMPREDIKSI HASIL NILAI UN MENGGUNAKAN METODE BACKPROPAGATION
IMPLEMENTASI JARINGAN SYARAF TIRUAN (JST) UNTUK MEMPREDIKSI HASIL NILAI UN MENGGUNAKAN METODE BACKPROPAGATION Yusran Program Studi Pendidikan Informatika STKIP PGRI Sumbar yusranse@yahoo.co.id Submitted
Lebih terperinciIMPLEMENTASI JST DALAM MENENTUKAN KELAYAKAN NASABAH PINJAMAN KUR PADA BANK MANDIRI MIKRO SERBELAWAN DENGAN METODE BACKPROPOGATION
IMPLEMENTASI JST DALAM MENENTUKAN KELAYAKAN NASABAH PINJAMAN KUR PADA BANK MANDIRI MIKRO SERBELAWAN DENGAN METODE BACKPROPOGATION Agus Perdana Windarto Program Studi Sistem Informasi, STIKOM Tunas Bangsa
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 terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
Lebih terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciDETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION
No Makalah : 299 Konferensi Nasional Sistem Informasi 2012, STMIK - STIKOM Bali 23-25 Pebruari 2012 DETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION Ratri Dwi Atmaja 1,
Lebih terperinciJARINGAN SYARAF TIRUAN PROPAGASI BALIK DALAM PREDIKSI PERSEDIAAN TERNAK SAPI POTONG ( STUDI KASUS DI WILAYAH SUMATERA BARAT )
JARINGAN SYARAF TIRUAN PROPAGASI BALIK DALAM PREDIKSI PERSEDIAAN TERNAK SAPI POTONG ( STUDI KASUS DI WILAYAH SUMATERA BARAT ) Rima Liana Gema, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia
Lebih terperinciJURNAL IPTEKS TERAPAN Research of Applied Science and Education v9.i4 ( )
Research of Applied Science and Education v9.i4 (269-275 ) IMPLEMENTASI JARINGAN SYARAF TIRUAN (JST) UNTUK MEMPREDIKSI HASIL NILAI UN MENGGUNAKAN METODE BACKPROPAGATION Yusran Program Studi Pendidikan
Lebih terperinci