Kenyo Puspito Rini 1), Ir. Usman Effendi, MS. 2), Dhita Morita Ikasari, STP, MP. 2)
|
|
- Sugiarto Agusalim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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. Usman Effendi, MS. 2), Dhita Morita Ikasari, STP, MP. 2) 1) Alumni Jurusan Teknologi Industri Pertanian, 2) Staff Pengajar Jurusan Teknologi Industri Pertanian Fakultas Teknologi Pertanian Universitas Brawijaya Malang ABSTRAK Peramalan adalah suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu, sedangkan peramalan permintaan merupakan tingkat permintaan produk-produk yang diharapkan akan terealisir untuk jangka waktu tertentu pada masa yang akan datang. Tujuan penelitian ini adalah meramalkan permintaan produk minuman kesehatan instan jahe menggunakan Jaringan Syaraf Tiruan dengan mempertimbangkan faktor-faktor bauran pemasaran dan membandingkan hasil peramalan permintaan produk minuman kesehatan instan jahe menggunakan Jaringan Syaraf Tiruan berdasarkan faktor-faktor bauran pemasaran dengan hasil peramalan permintaan menggunakan metode time series berdasarkan data volume penjualan. Analisa data dilakukan dengan metode Jaringan Syaraf Tiruan menggunakan software Matlab 7.10 dan metode Time Series menggunakan software SPSS Hasil penelitian menunjukkan arsitektur jaringan single hidden layer terbaik yaitu (4 neuron input, 7 neuron hidden layer, dan 1 neuron output). Metode terbaik untuk peramalan dengan metode time series adalah metode Winters Additive. Nilai hasil mean square error (MSE) pelatihan pada Jaringan Syaraf Tiruan (JST) sebesar sedangkan nilai MSE pada metode Time Series sebesar Rata-rata persentase kesalahan hasil simulasi peramalan permintaan menggunakan JST pada periode 1
2 bulan Agustus Oktober 2012 adalah sebesar 8.58 %, sedangkan untuk Time Series adalah sebesar %. Kata kunci : Jaringan Syaraf Tiruan, Matlab, Peramalan Permintaan, SPSS, Time Series. ABSTRACT Forecasting is an attempt to predict the future state through state testing in the past, while demand forecasting are level of products demand that are expected to be realized for a certain period in the future. The purpose of this study is product demand forecasting instant health drink ginger using Artificial Neural Networks to consider the marketing mix factors and compare the results of product demand forecasting instant health drink ginger using Artificial Neural Networks based on the factors of the marketing mix with the results of demand forecasting using time series Data based on sales volume. The data analysis was done using Artificial Neural Networks using Matlab software 7.10 and Time Series method using the software SPSS The results showed the best architecture of single hidden layer network is (4 input neurons, 7 hidden layer neurons, and 1 output neuron). The best method for time series forecasting method is Winters' Additive. The resulting value is the mean square error (MSE) on the training of Artificial Neural Network (ANN) at while the MSE on the Time Series method for The average percentage of fault simulation results using ANN forecasting demand in the period August to October 2012 is at 8.58%, while for Time Series is at 12.29%. Keywords : Artificial Neural Network, Matlab, Demand Forecasting, SPSS, Time Series. 2
3 I. PENDAHULUAN 1.1 Latar Belakang Peramalan adalah suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu, sedangkan peramalan permintaan merupakan tingkat permintaan produk-produk yang diharapkan akan terealisir untuk jangka waktu tertentu pada masa yang akan datang. Proses peramalan nantinya akan mendapatkan hasil peramalan yang digunakan oleh manajemen produksi atau operasi dalam pembuatan keputusankeputusan yang menyangkut pemilihan proses, perencanaan kapasitas, dan layout fasilitas, serta untuk keputusan yang bersifat terus menerus berkenaan dengan perencanaan, scheduling, dan persediaan (Nasution, 2008). Menurut Rismawati (2009), peramalan permintaan dibutuhkan untuk mengetahui informasi pokok mengenai kecenderungan dan pola konsumsi produk. Agroindustri Minuman Kesehatan Instan DIA merupakan salah satu unit usaha yang mengolah tanaman obat keluarga (TOGA) menjadi minuman kesehatan instan berbentuk serbuk. Produk yang dihasilkan oleh perusahaan ini adalah minuman kesehatan instan jahe, kunyit, dan temulawak. Minuman kesehatan instan jahe memiliki volume penjualan paling tinggi dibandingkan dengan produk minuman kesehatan instan kunyit dan temulawak. Hal ini juga dijadikan pertimbangan dalam pemilihan produk yang akan diramalkan dalam penelitian ini. Permasalahan yang dihadapi oleh Agroindustri Minuman Kesehatan Instan DIA adalah masih kesulitan dalam meramalkan permintaan konsumen terhadap permintaan produk minuman kesehatan instan karena peramalan yang dilakukan berdasarkan perkiraan dari periode lalu. Hal ini mengakibatkan Agroindustri Minuman Kesehatan Instan DIA belum memiliki perencanaan produksi yang optimal. Metode peramalan yang digunakan adalah Jaringan Syaraf Tiruan (JST) dan time series. Jaringan syaraf tiruan merupakan sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi (Siang, 2005). Jaringan syaraf tiruan mempunyai kemampuan untuk belajar dari data, mempunyai sifat non-linier, mampu mengidentifikasi struktur model serta efektif menghubungkan input-output simulasi, namun memiliki kekurangan yaitu membutuhkan waktu yang lama dalam pembuatan model (Rudiyanto, 3
4 2004). Sedangkan, metode time series merupakan metode statistik yang menggunakan data permintaan historis pada suatu periode waktu untuk proses peramalannya. Volume penjualan dapat dipengaruhi oleh beberapa faktor, salah satunya adalah bauran pemasaran. Dalam penelitian ini peramalan dilakukan dengan mempertimbangkan unsur bauran pemasaran yang digunakan sebagai masukan (input) pada jaringan syaraf tiruan. Unsur bauran pemasaran yang digunakan adalah harga produk, jumlah tempat pemasaran, biaya distribusi, dan biaya promosi. Metode time series digunakan sebagai pembanding dalam penelitian ini. Data volume penjualan digunakan sebagai input dalam peramalan menggunakan metode time series. Hasil peramalan menggunakan jaringan syaraf tiruan berdasarkan unsur bauran pemasaran selanjutnya akan dibandingkan dengan peramalan menggunakan metode time series berdasarkan data volume penjualan untuk mengetahui metode mana yang paling tepat digunakan di Agroindustri Minuman Kesehatan Instan DIA. 1.2 Rumusan Masalah 1. Bagaimana meramalkan permintaan produk minuman kesehatan instan jahe menggunakan Jaringan Syaraf Tiruan dengan mempertimbangkan faktorfaktor yang mempengaruhi volume penjualan? 2. Bagaimana perbandingan hasil peramalan permintaan produk minuman kesehatan instan jahe menggunakan Jaringan Syaraf Tiruan dengan metode time series? 1.3 Tujuan 1. Meramalkan permintaan produk minuman kesehatan instan jahe menggunakan Jaringan Syaraf Tiruan dengan mempertimbangkan faktorfaktor bauran pemasaran. 2. Membandingkan hasil peramalan permintaan produk minuman kesehatan instan jahe menggunakan Jaringan Syaraf Tiruan berdasarkan faktor-faktor bauran pemasaran dengan hasil peramalan permintaan menggunakan metode time series berdasarkan data volume penjualan. II. METODE PENELITIAN 2.1 Tempat dan Waktu Penelitian Penelitian dilakukan di Agroindustri Minuman Kesehatan Instan DIA yang terletak di Jalan Kembang Kertas no.25, Malang. Penelitian ini dilaksanakan pada bulan Juni 4
5 2012 sampai Oktober Pengolahan data dilakukan di Laboratorium Komputasi dan Analisis Sistem, Jurusan Teknologi Industri Pertanian, Fakultas Teknologi Pertanian, Universitas Brawijaya Malang. 2.2 Batasan Masalah Penelitian ini dilakukan dengan batasan masalah sebagai berikut: 1. Penelitian dengan metode Jaringan Syaraf Tiruan ini dilakukan untuk meramalkan permintaan produk minuman kesehatan instan pada Agroindustri Minuman Kesehatan Instan DIA untuk periode Agustus 2012 Juli Produk yang digunakan dalam penelitian ini hanya satu jenis yaitu minuman kesehatan instan jahe. 3. Data yang digunakan dalam penelitian ini fokus pada lima variabel yaitu data volume penjualan, harga produk, biaya promosi, biaya distribusi, dan jumlah tempat pemasaran pada bulan Januari 2007 Juli Biaya-biaya yang digunakan seperti biaya promosi, biaya distribusi serta jumlah tempat pemasaran adalah biaya yang dikeluarkan untuk semua produk minuman kesehatan instan pada Agroindustri Minuman Kesehatan Instan DIA. Namun, dalam penelitian ini hanya digunakan sebagai masukan data (input) untuk produk jahe. 2.3 Analisa Data Peramalan Permintaan Menggunakan Metode Time Series Moving Average termasuk dalam time series model yang merupakan metode peramalan kuantitatif dengan menggunakan waktu sebagai dasar peramalan. Untuk membuat suatu peramalan diperlukan data historis (masa lampau) permintaan. dimana: ft = ramalan permintaan periode t ft = permintaan aktual periode t m =jumlah periode yang digunakan untuk peramalan. Metode Exponential Smoothing (Makridakis, 2005) merupakan prosedur perbaikan terusmenerus pada peramalan terhadap objek pengamatan terbaru. Metode exponential smoothing dibagi lagi berdasarkan menjadi beberapa metode. 1.Single Exponential Smoothing Ft+1 = α * Xt + (1 α) * Ft dimana: Ft = peramalan untuk periode t. Xt + (1-α) = Nilai aktual time series 5
6 Ft+1 = peramalan pada waktu t + 1 α = konstanta perataan antara 0 dan 1 2.Double Exponential Smoothing St = α * Yt + (1 α) * (St bt - 1) bt = γ * (St St - 1) + (1 γ) * bt 1 Ft + m = St + bt m dimana: St = peramalan untuk periode t. Yt + (1-α) = Nilai aktual time series bt = trend pada periodeke - t α = parameter pertama perataan antara nol dan 1, = untuk pemulusan nilai observasi γ = parameter kedua, untuk pemulusan trend Ft+m = hasil peramalan ke - m m = jumlah periode ke muka yang akan diramalkan 3.Triple Exponential Smoothing Pemulusan trend: Bt =g (St St-1) + (1 - g ) bt-1 Pemulusan Musiman: I = b t X t S + (1-b) t -L +m Ramalan: Ft + m = (St + bt m)it L + m Dimana L adalah panjang musiman (misal, jumlah kuartal dalam suatu tahun), b adalah komponen trend, I adalah factor penyesuaian musiman, dan Ft + m adalah ramalan untuk m periode ke muka. Dekomposisi adalah metode pemecahan data menjadi sub pola yang menunjukkan tiap-tiap komponen deret berkala secara terpisah (Amran, 2003) : Data= trend + musiman + siklus + error) atau Ramalan= trend + musiman + siklus Peramalan Permintaan Menggunakan Metode Jaringan Syaraf Tiruan Arsitektur jaringan yang dipakai adalah jaringan syaraf dengan banyak lapisan (multi layer network). Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak diantara input dan lapisan output (memiliki satu atau lebih lapisan tersembunyi). Jaringan syaraf dengan banyak lapisan (multi layer network) terdiri dari lapisan input, lapisan tersembunyi dan lapisan output. Jumlah hidden layer ditentukan dalam pelatihan (Kusumadewi, 2006). Algoritma pembelajaran yang digunakan dalam penelitian ini adalah backpropagation. Backpropagation dipilih karena dikenal sangat efektif untuk menyelesaikan masalah-masalah yang membutuhkan pemetaan pola, yaitu jika diberikan suatu pola input maka akan dikeluarkan pola output yang dikehendaki (Kusumadewi, 2004). Diagram alir algoritma Backpropagation disajikan pada Gambar 1. 6
7 Mulai Data Training Inisialisasi Bobot Setting Input Propagasi Maju Perhitungan Error Keluaran Propagasi Balik Perubahan Bobot b. Inisialisai bobot secara acak Dalam inisialisai bobot secara acak yaitu pemberian nilai bobot dan bias awal dengan bilangan acak terkecil. Pemilihan nilai bobot ini berpengaruh atas kecepatan suatu jaringan untuk mencapai konvergen (kondisi stabil). c. Propagasi Maju (Fase 1) Sinyal masukan (X i) dipropagasikan ke layar tersembunyi menggunakan fungsi aktivasi yang ditentukan. Kemudian keluaran dari setiap unit layar tersembunyi (Z j ; j = 1,2,3,., p) dihitung : Iterasi (epoch) = iterasi + 1 Tidak Iterasi Maks. Iterasi Tidak MSE error Z j (j = 1,2,3,,p) Ya Ya Simpan Bobot Selesai Gambar 1. Diagram Alir Algoritma Penjelasan mengenai tahap algoritma backpropagation adalah sebagai berikut : a. Data training Data training adalah pasangan data masukan dan keluaran actual (target) yang diberikan pada jaringan untuk dilatih polanya. Sebelum diproses, datadata yang ada dibakukan terlebih dahulu. Selanjutnya keluaran dari unit tersembunyi ini dipropagasikan maju lagi ke layar tersembunyi diatasnya menggunakan fungsi aktivasi yang ditentukan. Tiap unit keluaran (yk, k = 1,, m) jumlahkan bobot sinyal masukannya (W ko perubahan bobot pada unit tersembunyi o, dan W kj perubahan bobot pada unit tersembunyi j). Kemudian, keluaran jaringan (Y k) dibandingkan dengan target 7
8 yang harus dicapai (t k). Selisih t k Y k adalah kesalahan yang terjadi. d. Propagasi Balik (Fase 2) Berdasarkan kesalahan t k Y k, dihitung faktor δk (k=1,2,3,.,m) yang dipakai untuk mendistribusikan kesalahan di unit y k ke semua unit tersembunyi yang terhubung langsung dengan y k. δk= f (y_netk)= yk(1- yk) δ k juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Nilai perubahan bobot unit keluaran W kj dengan laju percepatan α adalah: ΔW kj = α. δ k. z j k = 1,2,3,,m;j = 1,2,3,,p Dengan cara yang sama, dihitung faktor δ j di setiap unit layar tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi dilayar dibawahnya. Faktor δ unit tersembunyi: δj = δ_net j f (z_net j) = e. Perubahan Bobot (Fase 3) Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ neuron dilayar atasnya. Ketiga fase diulang hingga kondisi penghentian dipenuhi. Kondisi penghentian tercapai jika MSE (mean square error) telah mencapai harga minimum atau epoch sama dengan batas toleransi yang diberikan. Menurut Siang (2005), algoritma backpropagation (BP) merupakan pengembangan dari algoritma least mean square yang dapat digunakan untuk melatih jaringan dengan beberapa layer. BP menggunakan pendekatan algoritma steepest descent dan untuk menentukan performance index-nya adalah dengan mean square error (MSE). Nilai mean square error (MSE) pada satu siklus pelatihan adalah nilai kesalahan (error = nilai keluaran nilai masukan) ratarata dari seluruh rekord (tupple) yang dipresentasikan ke JST dan dirumuskan sebagai: Semakin kecil MSE, semakin kecil kesalahan JST dalam memprediksi pola dari record yang baru. Maka, pelatihan JST ditujukan untuk memperkecil MSE dari satu siklus ke siklus berikutnya sampai selisih nilai MSE pada siklus ini dengan siklus sebelumnya lebih kecil atau sama dengan batas minimal yang diberikan. 8
9 f. Kriteria pemberhentian pembelajaran Kriteria pemberhentian pembelajaran merupakan syarat pokok yang harus dipenuhi oleh jaringan untuk mendapatkan output peramalan terbaik. Kriteria pembelajaran dalam penelitian ini adalah jumlah epoch yang ditoleransi. Kesalahan dihitung berdasarkan bobot yang diperoleh yang dikenakan pada data pengujian. Jika kesalahan data uji masih turun, pelatihan dilanjutkan. Pembelajaran dihentikan apabila kesalahannya mulai naik (Siang, 2005). III.Hasil dan Pembahasan 3.1 Hasil Peramalan Menggunakan Jaringan Syaraf Tiruan Peramalan permintaan dilakukan untuk meramalkan jumlah permintaan produk minuman kesehatan instan jahe pada periode perencanaan yang akan datang, yaitu periode satu tahun mendatang (Agustus 2012 Juli 2013). Peramalan permintaan dilakukan berdasarkan data faktor-faktor yang mempengaruhi volume penjualan produk minuman kesehatan instan jahe, antara lain harga produk, jumlah tempat pemasaran, biaya promosi, dan biaya distribusi periode Januari 2007 Juli 2012 dengan menggunakan jaringan syaraf tiruan. Model peramalan yang dibuat terdiri dari 4 variabel independen dan 1 variabel dependen. Dalam jaringan syaraf tiruan, model ini terbaca sebagai 4 unit (neuron) input dan 1 unit (neuron) output, sehingga rancangan arsitektur jaringan yang digunakan dalam penelitian adalah 1 lapis input dengan 4 neuron input dan 1 lapis output dengan 1 neuron output, sedangkan neuron hidden layer dicari jumlah optimalnya melalui pelatihan (training). Metode jaringan syaraf tiruan yang digunakan adalah Backpropagation, dilakukan dengan menggunkan Software Matlab Parameter pembelajaran dalam penelitian meliputi max. epoch 2000, dan learning rate antara Maksimum epoch berfungsi sebagai kriteria pemberhentian pelatihan, yaitu pelatihan dihentikan setelah mencapai 2000 iterasi. Nilai goal (MSE) untuk kriteria pemberhentian training jaringan adalah 0.02, nilai ini dipilih berdasarkan dengan trial and error sampai ditemukan performance dan goal yang terkecil. Pada momentum konstan (mc) dipilih nilai Jaringan terbaik dihasilkan oleh pelatihan jaringan (4 neuron input, 7 neuron hidden layer, 1 neuron output) dengan nilai MSE 9
10 terkecil yaitu Gambar model Jaringan Syaraf Tiruan dapat dilihat pada Gambar 2. Gambar 2. Model jaringan Syaraf Tiruan Hasil Peramalan Menggunakan Analisa Deret Waktu (Time Series) Peramalan permintaan dilakukan berdasarkan data penjualan produk periode Januari 2007 Juli 2012 dengan menggunakan analisa deret waktu (time series). Peramalan permintaan dilakukan untuk meramalkan jumlah permintaan produk minuman kesehatan instan jahe DIA pada periode perencanaan yang akan datang, yaitu periode satu tahun mendatang pada Agustus 2012 Juli Metode time series yang digunakan dalam penelitian ini meliputi metode moving averages, exponential smoothing, dan dekomposisi. Penyelesaian peramalan permintaan menggunakan metode time series dilakukan dengan software SPSS Hasil peramalan dapat dilihat pada Gambar 3. Gambar 3. Hasil Peramalan Permintaan Menggunakan Metode Wimters Additive Pola data yang ditunjukkan oleh gambar 3 merupakan pola data seasonal (musiman), sehingga metode terbaik yang diperoleh adalah metode Winters Additive. Melihat plot di atas terlihat bahwa hasil peramalan mengikuti bentuk pola datanya, sehingga tingkat akurasi data tersebut sebagai dasar untuk perencanaan cukup baik. Nilai RMSE (Root Mean Square Error) adalah sehingga nilai MSE adalah Perbandingan Hasil Peramalan Jaringan Syaraf Tiruan dengan Time Series Dalam penelitian ini, peramalan permintaan yang digunakan terdiri dari dua metode yaitu metode jaringan syaraf tiruan dan time series. Untuk itu, perlu dibandingkan metode mana yang lebih baik dalam penelitian ini. Pembanding yang digunakan berupa data penjualan aktual minuman kesehatan instan jahe 10
11 DIA, sehingga bisa dilihat diantara kedua metode tersebut mana yang paling baik dalam meramalkan minuman kesehatan instan jahe DIA. Hasil perbandingan metode jaringan syaraf tiruan, time series, dan data aktual dapat dilihat pada Tabel 1. Tabel 1. Hasil Perbandingan Metode Jaringan Syaraf Tiruan, Time Series, dan Data Aktual Periode Agustus Desember 2012 Tahun Periode Simulasi Peramalan JST Time Series 11 Data Aktual Persentase Kesalahan Peramalan Terhadap Permintaan Aktual ( % ) JST Time Series 2012 Agustus September Oktober November Desember Rata-rata Kesalahan Dari tabel 1 terlihat bahwa jaringan syaraf tiruan merupakan metode yang relatif lebih baik dari time series dalam meramalkan permintaan minuman kesehatan instan jahe DIA karena memiliki penyimpangan kesalahan lebih kecil dibandingkan metode time series. Perbandingan nilai Mean Squared Error (MSE) sebelum dan sesudah peramalan untuk metode Time Series dan Jaringan Syaraf Tiruan dapat dilihat pada Tabel 2. Tabel 2. Nilai MSE Sebelum dan Sesudah Peramalan Pada Metode Time Series dan JST Metode Nilai MSE Sebelum Sesudah Time Series JST Pada Tabel 4.5 dapat dilihat nilai menjadi yang error untuk masing-masing menunjukkan nilai MSE sesudah metode sebelum dan sesudah peramalan lebih besar peramalan. Pada metode Time Series nilai MSE sebelum dan sesudah peramalan tetap yaitu dibandingkan nilai MSE sebelum peramalan. Hal ini dikarenakan nilai mean pada saat testing lebih Sedangkan, pada besar dibandingkan nilai mean metode JST terjadi perubahan saat pemodelan. nilai MSE yang semula
12 IV.PENUTUP 4.1 Kesimpulan Penerapan metode Jaringan Syaraf Tiruan (JST) untuk peramalan permintaan minuman kesehatan instan jahe DIA dengan menggunakan model jaringan Backpropagation, menghasilkan arsitektur jaringan single hidden layer terbaik yaitu (4 neuron input, 7 neuron hidden layer, dan 1 neuron output), 4 neuron input merupakan faktor bauran pemasaran yang meliputi harga produk, jumlah tempat pemasaran, biaya distribusi dan biaya promosi, sedangkan untuk 1 neuron output merupakan nilai peramalan permintaan. Metode terbaik untuk peramalan dengan metode time series adalah metode Winters Additive. Metode Winters Additive merupakan salah satu dari model Holt- Winters (triple exponential smoothing) yang digunakan untuk menangani musiman. Nilai hasil mean square error (MSE) pelatihan pada Jaringan Syaraf Tiruan (JST) sebesar sedangkan nilai MSE pada metode Time Series sebesar Rata-rata persentase kesalahan hasil simulasi peramalan permintaan menggunakan JST pada periode bulan Agustus Desember 2012 adalah sebesar 5.72 %, sedangkan untuk Time Series adalah sebesar %. Sehingga dapat disimpulkan bahwa Jaringan Syaraf Tiruan merupakan metode yang relatif lebih baik dari Time Series dalam meramalkan permintaan minuman kesehatan instan jahe DIA karena memiliki penyimpangan kesalahan yang lebih kecil dibandingkan metode time series. 4.2 Saran Dari hasil penelitian dan pembahasan yang telah dilakukan, saran yang dapat dikemukakan yaitu perlu adanya penelitian lebih lanjut untuk membandingkan peramalan permintaan menggunakan JST dengan metode yang lain seperti metode JST untuk peramalan time series agar dapat menghasilkan peramalan permintaan yang lebih baik. DAFTAR PUSTAKA Amran Prediksi Distribusi Porositas dengan Metode Dekomposisi Ring. ITB. Bandung. Kusumadewi, S Membangun Jaringan Syaraf Tiruan Menggunakan Matlab dan Excel Link. Graha Ilmu. Yogyakarta. Kusumadewi, S dan Hartati, S Integrasi Sistem Fuzzy dan Jaringan Syaraf. Graha Ilmu. Yogyakarta. 12
13 Makridakis, S. dan Whellwright, S. C Metode dan Aplikasi Peramalan. Binarupa Aksara. Jakarta. Nasution, A. H Perencanaan dan Pengendalian Produksi. Graha Ilmu. Yogyakarta. Rismawati, L Analisis Sensitivitas Dari Persoalan Perbaikan Mesin Dalam Sistem Manufaktur. Tesis Pascasarjana Universitas Sumatera Utara. Medan. Rudiyanto B.I. dan Setiawan Backpropagation Artificial Neural Network. Artikel. Departemen Teknik Pertanian. Fateta- IPB. Bogor. Siang, J. J Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. ANDI. Yogyakarta. 13
Peramalan Permintaan Susu Pasteurisasi Menggunakan Metode Jaringan Syaraf Tiruan dan Time Series (Studi Kasus di Koperasi Susu SAE Pujon, Malang)
Peramalan Permintaan Susu Pasteurisasi Menggunakan Metode Jaringan Syaraf Tiruan dan Time Series (Studi Kasus di Koperasi Susu SAE Pujon, Malang) Forecasting of Pasteurized Milk Demand By Using Artificial
Lebih terperinciPerbandingan Peramalan Permintaan Keripik Nanas Menggunakan Metode Jaringan Syaraf Tiruan dan Time Series di UKM So Kressh Malang
Perbandingan Peramalan Permintaan Keripik Nanas Menggunakan Metode Jaringan Syaraf Tiruan dan Time Series di UKM So Kressh Malang Comparisson Pineaple Chips Demand Forecasting with Artificial Neural Network
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 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 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 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 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 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 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 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 terperinciPerbandingan Hasil Peramalan dengan Metode Double Exponential Smoothing Holt dan Metode Jaringan Syaraf Tiruan
Perbandingan Hasil Peramalan dengan Metode Double Exponential Smoothing Holt dan Metode Jaringan Syaraf Tiruan Oki Dwi Hartanti Departemen Biostatistika dan Kependudukan Fakultas Kesehatan Masyarakat Universitas
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 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 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 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 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 terperinciPENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA
SISTEM PENDUKUNG KEPUTUSAN PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA Alda Raharja - 5206 100 008! Wiwik Anggraeni, S.Si, M.Kom! Retno
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 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 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 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 terperinciPELATIHAN 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 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 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 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 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 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 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 terperinciCHIPS APPLE PRODUCT DEMAND FORECASTING WITH MARKETING MIX APPROACH USING ARTIFICIAL NEURAL NETWORK (ANN) METHOD (CASE STUDY ON UKM SO KRESSH MAIANG)
PERAMALAN PERMINTAAN DENGAN PENDEKATAN MARKETING MIX PADA PRODUK KERIPIK APEL MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN (STUDI KASUS DI UKM SO KRESSH MALANG) CHIPS APPLE PRODUCT DEMAND FORECASTING WITH
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 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 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 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 terperinciUnnes Journal of Mathematics
UJM 2 (2) (2013) Unnes Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN ARIMA Dwi Prisita
Lebih terperinciMETODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN
METODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN Peramalan kuantitatif hanya dapat digunakan apabila terdapat
Lebih terperinciTeknik Pertanian, Fakultas Teknologi Pertanian, Universitas Jember Jalan Kalimantan No. 37 Jember, *
PERAMALAN JUMLAH PERMINTAAN UDANG BEKU PND MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN (JST) BACKPROPAGATION Forecasting of PND Frozen Shrimp Demand Using Artificial Neural Network Method (ANN) Backpropagation
Lebih terperinciPenentuan Error Dalam Peramalan Jumlah Korban Demam Berdarah Dengue Menggunakan Metode Neural Network (Kasus : Rumah Sakit Charitas Palembang)
Penentuan Error Dalam Peramalan Jumlah Korban Demam Berdarah Dengue Menggunakan Metode Neural Network (Kasus : Rumah Sakit Charitas Palembang) Maria Bellaniar Ismiati 1, Latius Hermawan 2 Program Studi
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 terperinciKAJIAN TEORITIS HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK UNTUK PERAMALAN DATA RUNTUN WAKTU
Bimaster Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No.3 (2013), hal 205-210 KAJIAN TEORITIS HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK UNTUK PERAMALAN DATA RUNTUN WAKTU Muhlasah
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 terperinciChips Apple Product Demand Forecasting with Marketing Mix Approach using Artificial Neural Network (ANN) Method (Case Study on UKM So Kressh MaIang)
Peramalan Permintaan dengan Pendekatan Marketing Mix pada Produk Keripik Apel Menggunakan Metode Jaringan Syaraf Tiruan (Studi Kasus di UKM So Kressh Malang) Chips Apple Product Demand Forecasting with
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION Restiana Putri Abstract - On a government agencies Badan Keluarga Berencana
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 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 terperinciJARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION
JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION Yuyun Dwi Lestari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan E-mail : yuyun.dl@gmail.com
Lebih terperinciPREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) Supriyanto 1, Sudjono 2, Desty Rakhmawati 3 ( 1,2. UNSOED Purwokerto, 3. STMIK
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 terperinciSTUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
STUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Muh. Ishak Jumarang 1), Lyra Andromeda 2) dan Bintoro Siswo Nugroho 3) 1,3) Jurusan Fisika,
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 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 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 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 IV METODE PENELITIAN
BAB IV METODE PENELITIAN 4.1. Desain Penelitian Dari uraian latar belakang masalah, penelitian ini dikategorikan ke dalam penelitian kasus dan penelitian lapangan. Menurut Rianse dan Abdi dalam Surip (2012:33)
Lebih terperinciPREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION
JIMT Vol. 4 No. Juni 207 (Hal 47-55) ISSN : 2450 766X PREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION J.R. Mustakim, R. Ratianingsih 2 dan D. Lusiyanti 3,2,3 Program Studi
Lebih terperinciKey words: Artificial Neural Network, Exponential Smoothing, Prediction, Electrical Energy Need.
PREDIKSI KEBUTUHAN ENERGI LISTRIK SULAWESI UTARA MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN METODE EXPONENTIAL SMOOTHING Febry Hontong 1), Tritiya Arungpadang 2), Johan Neyland 3) Jurusan Teknik Mesin Universitas
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 terperinciJARINGAN SYARAF TIRUAN DAN NAIVE BAYES UNTUK MENDETEKSI PENYAKIT GAGAL GINJAL DI RSUD Dr. ADHYATMA TUGUREJO SEMARANG
JARINGAN SYARAF TIRUAN DAN NAIVE BAYES UNTUK MENDETEKSI PENYAKIT GAGAL GINJAL DI RSUD Dr. ADHYATMA TUGUREJO SEMARANG Yudi Setyawan 1 *, Zulfikar Adi Nugroho 2 1,2 Prodi Statistika, Fakultas Sains Terapan,
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 terperinci1. Pendahuluan 1.1 Latar belakang masalah
1. Pendahuluan 1.1 Latar belakang masalah Emas adalah unsur kimia dalam tabel periodik yang memiliki simbol Au (bahasa Latin: 'aurum') dan nomor atom 79. Emas digunakan sebagai standar keuangan di banyak
Lebih terperinciMETODOLOGI PENELITIAN
digilib.uns.ac.id BAB III METODOLOGI PENELITIAN 3.1 Studi Literatur Studi ini dilakukan dengan cara mencari dan membaca berbagai literatur serta karya-karya penelitian mengenai topik penelitian yang sudah
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 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 terperinciBAB 2 TINJAUAN TEORITIS
BAB 2 TINJAUAN TEORITIS 2.1. Peramalan 2.1.1. Pengertian dan Kegunaan Peramalan Peramalan (forecasting) menurut Sofjan Assauri (1984) adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
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 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 terperinciPrediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*
Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciPrediksi Produksi Debit Air Minum Per Bulan Dengan Metode Jaringan Syaraf Tiruan Backpropagation (Studi Kasus : PDAM Tirta Moedal Semarang)
18 Prediksi Produksi Debit Air Minum Per Bulan Dengan Metode Jaringan Syaraf Tiruan Backpropagation (Studi Kasus : PDAM Tirta Moedal Semarang) Prediction Debit Drinking Water Production Per Month Using
Lebih terperinciBAB 2 TINJAUAN TEORITIS. yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan terjadi
BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan
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 terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
Lebih terperinciBAB III TINJAUAN PUSTAKA
BAB III TINJAUAN PUSTAKA 3.1 Teori Dunia industri biasanya tak lepas dari suatu peramalan, hal ini disebabkan bahwa peramalan dapat memprediksi kejadian di masa yang akan datang untuk mengambil keputusan
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 terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
49 BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Standar Optimasi Dasar evaluasi untuk mengoptimalkan supply chain management pada Honda Tebet (PT. Setianita Megah Motor) dari proses bisnis perusahaan
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 terperinci2.1. Dasar Teori Bandwidth Regression
2.1. Dasar Teori 2.1.1. Bandwidth Bandwidth adalah ukuran kapasitas dari sistem transmisi (Comer, 2004) Bandwidth adalah konsep pengukuran yang sangat penting dalam jaringan, tetapi konsep ini memiliki
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 I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN Bab ini akan membahas tentang latar belakang, rumusan masalah, keaslian penelitian, tujuan penelitian, manfaat penelitian, batasan masalah, dan sistematika penulisan. 1.1 Latar Belakang
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 terperinciBAB IV METODE PERAMALAN
Metode Peramalan 15 BAB METODE PERAMALAN 4.1 Model Sederhana Data deret waktu Nilai-nilai yang disusun dari waktu ke waktu tersebut disebut dengan data deret waktu (time series). Di dunia bisnis, data
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Konsep Peramalan Peramalan ( forecasting) merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang ekonomi. Dalam organisasi modern
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 terperinciABSTRAK PERAMALAN KURS RUPIAH TERHADAP US DOLLAR MENGGUNAKAN METODE HIBRID
ABSTRAK PERAMALAN KURS RUPIAH TERHADAP US DOLLAR MENGGUNAKAN METODE HIBRID Peramalan adalah bagian integral dari kegiatan pengambilan keputusan manajemen. Ramalan yang dilakukan umumnya berdasarkan pada
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION Alvama Pattiserlihun, Andreas Setiawan, Suryasatriya Trihandaru Program Studi Fisika, Fakultas Sains dan Matematika,
Lebih terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
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 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 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 terperinciPeramalan Jumlah Permintaan Produksi Menggunakan Metode Jaringan Syaraf Tiruan (JST) Backpropagation
Jurnal Teknik Industri, Vol.1, No.2, Juni 2013, pp.174-179 ISSN 2302-495X Peramalan Jumlah Permintaan Produksi Menggunakan Metode Jaringan Syaraf Tiruan (JST) Backpropagation Mira Febrina 1, Faula Arina
Lebih terperinciBab V KESIMPULAN DAN MASALAH TERBUKA
Bab V KESIMPULAN DAN MASALAH TERBUKA Kesimpulan dari penelitian ini diperoleh berdasarkan pada pembahasan dalam Bab III dan IV. Kesimpulan ini sebagai jawaban dari permasalahan dan sekaligus hasil yang
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Peramalan Peramalan (forecasting) merupakan upaya memperkirakan apa yang terjadi pada masa yang akan datang. Pada hakekatnya peramalan hanya merupakan suatu perkiraan (guess),
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Siti Amiroch Universitas Islam Darul Ulum Lamongan, amirast_117@yahoo.com Abstract. In the stock market, stock price prediction is
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih terperinciPerkapalan Negeri Surabaya, Surabaya Program Studi Teknik Otomasi, Jurusan Teknik Kelistrikan Kapal, Politeknik Perkapalan Negeri
Perbandingan Metode Autoregressive Integrated Moving Average (ARIMA) dan Exponential Smoothing pada Peramalan Penjualan Klip (Studi Kasus PT. Indoprima Gemilang Engineering) Aditia Rizki Sudrajat 1, Renanda
Lebih terperinci