Perbandingan Peramalan Permintaan Keripik Nanas Menggunakan Metode Jaringan Syaraf Tiruan dan Time Series di UKM So Kressh Malang
|
|
- Inge Susman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 and Time Series Method in So Kressh Malang Shinta Eka Lestari 1), Retno Astuti 2),Sakunda Anggarini 2) 1) Alumni Jurusan Teknologi Industri Pertanian - Fakultas Teknologi Pertanian, Universitas Brawijaya 2) Staf Pengajar Jurusan Teknologi Industri Pertanian - Fakultas Teknologi Pertanian, Universitas Brawijaya Jl. Veteran No. 1 Malang *shind.shinta@gmail.com Abstrak Tujuan penelitian ini adalah meramalkan permintaan produk keripik nanas UKM So Kressh menggunakan metode Jaringan Syaraf Tiruan sehingga dapat memenuhi permintaan konsumen dan membandingkan hasil peramalan permintaan produk keripik nanas menggunakan Jaringan Syaraf Tiruan dengan hasil peramalan permintaan menggunakan metode time series. Analisa data dilakukan dengan metode Jaringan Syaraf Tiruan menggunakan software Matlab 2010 dan metode Time Series menggunakan software SPSS Hasil penelitian menunjukkan arsitektur jaringan single hidden layer terbaik yaitu (4 neuron input, 10 neuron hidden layer dan 1 neuron output). Metode terbaik untuk peramalan dengan metode Time Series adalah metode Winter s Additive. Nilai hasil mean square error (MSE) pada Jaringan Syaraf Tiruan (JST) sebesar sedangkan nilai MSE pada metode Time Series sebesar Rata-rata persentase kesalahan hasil peramalan permintaan menggunakan JST pada periode Januari-April 2014 adalah 3.71% sedangkan untuk Time Series adalah 49.58%. Hasil peramalan menggunakan JST menunjukkan service level 4% lebih efektif dibandingkan dengan aktual. Kata kunci : Bauran pemasaran, Volume penjualan, MSE, service level Abstract The purpose of this research is to forecast the amount of So Kressh pineapple chips demand using Artificial Neural Network method, in order to meet consumer demand and to compare the results of product demand forecasting using Artificial Neural Network with the time series one. The data was by Artificial Neural Networks using Matlab 2010 software, however Time Series analysis used SPSS 17.1 software. The results showed that the best architecture of single hidden layer network is (4 input neurons, 10 hidden layer neurons, and 1 output neuron). The best method for forecasting using time series was Winters' Additive. Mean Square Error (MSE) value of Artificial Neural Network (ANN) methode was while the MSE value of Time Series method was The average percentage of error results demand forecasting using ANN in the period January-April 2014 was 3.71% for the Time Series was 49.58%. Forecasting result by ANN showed 4% effectivenes of actual service level compare to the time series result. Keywords: Marketing mix, sales volume, MSE, service level PENDAHULUAN 1. Latar Belakang UKM So Kressh merupakan salah satu unit usaha yang memproduksi komoditas hasil pertanian yaitu sayur-sayuran dan buah-buahan. UKM ini merupakan UKM yang cukup dikenal oleh masyarakat kota Malang sebagai salah satu pelopor home industry yang menghasilkan keripik buah seperti nangka, apel, salak kelengkeng, rambutan, jambu merah, pepaya, belimbing, melon, wortel, labu, mangga, semangka, durian dan jamur. Komoditas hasil pertanian ini oleh UKM So Kressh diolah menjadi aneka keripik dan manisan. Keripik nanas merupakan salah satu produk unggulan yang diproduksi oleh UKM So Kressh setelah 1 keripik nangka, apel dan salak. UKM ini sudah bisa memproduksi keripik nangka, apel dan salak dengan jumlah yang tepat. Saat ini UKM mengalami permasalahan dalam menentukan jumlah produk keripik nanas yang diproduksi. Seringkali jumlah produksi keripik nanas tidak sesuai dengan permintaan konsumen. Hal ini akan mempengaruhi kinerja UKM dan meyebabkan hilangnya kesempatan untuk memperoleh pendapatan dari penjualan produk keripik nanas serta penumpukan produk keripik nanas. Selama ini metode yang digunakan UKM So Kressh hanya berdasar data penjualan di bulan yang sama di tahun sebelumnya. Hal ini belum mampu memperkirakan dengan tepat besarnya
2 permintaan keripik nanas oleh UKM. Data penjualan keripik nanas tahun menunjukkan adanya perbedaan antara jumlah yang diproduksi dengan jumlah permintaan konsumen. Pada tahun 2011 hingga tahun 2013 UKM mengalami kelebihan ataupun kekurangan jumlah yang diproduksi. Tahun 2011 UKM mengalami kekurangan produk sebesar 107 kg yaitu 0,86% dari jumlah produksi. Tahun 2012 UKM mengalami kelebihan produk sebesar 685 kg yaitu 4,39% dari jumlah produksi. Tahun 2013 terjadi kekurangan produk sebesar 1678 kg yaitu 9,76% dari jumlah produksi. Jika terjadi kekurangan produk mengakibatkan tidak terpenuhinya permintaan konsumen dan menyebabkan kerugian yaitu menurunnya pendapatan dan keuntungan. Kelebihan produk mengakibatkan penumpukan persediaan keripik nanas sehingga terjadi peningkatan biaya penyimpanan dan biaya resiko kerusakan produk. Berdasarkan kondisi diatas dapat diketahui bahwa UKM So Kressh membutuhkan sistem peramalan permintaan yang tepat agar dapat memenuhi permintaan pasar akan keripik nanas dengan biaya minimum. Salah satu metode yang dapat digunakan untuk peramalan produk adalah metode Jaringan Syaraf Tiruan (JST). JST dapat digunakan untuk meramalkan yang akan terjadi di masa yang akan datang berdasarkan pola kejadian yang ada di masa lampau serta faktor-faktor yang terkait (Siang, 2005). JST memiliki kemampuan untuk belajar dari data, mempunyai sifat non-linier, mampu mengidentifikasi struktur model-model serta efektif menghubungkan input-output simulasi. Metode time series merupakan metode statistik yang menggunakan data permintaan pada suatu periode waktu untuk proses peramalannya. Menurut Halim dan Chandra (2011), metode time series adalah suatu alat yang dapat digunakan untuk mengetahui kecenderungan suatu nilai dari waktu ke waktu. 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 metode Jaringan Syaraf Tiruan. Unsur bauran pemasaran yang digunakan adalah harga produk, biaya promosi, biaya distribusi dan jumlah outlet. Metode time series digunakan sebagai pembanding dalam penelitian ini. Input yang digunakan dalam metode ini adalah data penjualan di masa lalu. Hasil peramalan permintaan dengan metode Jaringan Syaraf Tiruan selanjutnya dibandingkan dengan hasil peramalan permintaan dengan metode time series untuk mengetahui metode mana yang paling akurat untuk produk keripik nanas UKM So Kressh. BAHAN DAN METODE Penelitian ini dilaksanakan di UKM So Kreesh Kecamatan Blimbing Kota Malang pada bulan Desember 2013 sampai dengan April Batasan masalah dari penelitian ini adalah: 1. Penelitian dengan metode Jaringan Syaraf Tiruan ini dilakukan untuk meramalkan permintaan produk keripik nanas pada UKM So Kreesh untuk periode Januari Desember Faktor bauran pemasaran digunakan sebagai input karena merupakan faktor yang berpengaruh terhadap volume penjualan. 3. Data yang digunakan dalam penelitian ini adalah variabel price, place dan promotion pada bulan Januari 2010-Desember Asumsi yang digunakan pada penelitian ini adalah perbandingan hasil ramalan dengan permintaan aktual pada periode Januari-April 2014 diasumsikan sudah representatif. 1. 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. 2
3 Mulai Data Training Inisialisasi Bobot Setting Input Propagasi Maju Penghitungan Error Keluaran Propagasi Balik Perubahan Bobot c. Propagasi maju Tiap-tiap unit masukan (x i, i=1,2,3,...,n) menerima sinyal masukan x i dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi). Tiap-tiap unit tersembunyi (z j, j=1,2,3,...,p) menjumlah sinyal-sinyal input terbobot menggunakan fungsi aktivasi untuk menghitung sinyal keluarannya. (1) Keterangan : x i vjo : unit masukan : bobot dari lapisan masukan ke lapisan tersembunyi Selanjutnya keluaran dari unit tersembunyi dipropagasikan maju lagi ke layar diatasnya menggunakan fungsi aktivasi yang ditentukan. Y_net k = (2) Iterasi (epoch) = Iterasi + 1 Tidak Iterasi Maksimal Iterasi Ya Tidak MSE Error Simpan Bobot Selesai Gambar 1. Diagram Alir Algoritma Backpropagation Penjelasan mengenai tahap algoritma backpropagation sebagai berikut: a. Data training Data training merupakan pasangan data masukan dan keluaran aktual (target) yang diberikan pada jaringan untuk dilatih polanya. Sebelum diproses data-data yang ada dinormalisasi terlebih dahulu. Data untuk training adalah data harga produk, biaya promosi, biaya distribusi dan jumlah tempat penjualan pada periode Januari April Data pada periode Mei-Desember 2013 digunakan untuk testing. b. Inisialisasi bobot secara acak Inisialisasi bobot secara acak yaitu pemberian nilai bobot dan bias awal dengan bilangan acak terkecil. Pemilihan nilai bobot berpengaruh pada kecepatan suatu jaringan untuk mencapai konvergen (kondisi stabil). Nilai bobot yang terlalu kecil menyebabkan jaringan menjadi sangat lambat untuk belajar. Nilai bobot yang terlalu besar menyebabkan nilai turunan fungsi aktivasinya menjadi sangat kecil. Ya ( ) (3) Keterangan : zj : keluaran dari unit masukan di setiap unit lapisan tersembunyi yk : keluaran jaringan wko : bobot bias di lapisan tersembunyi wkj : bobot dari lapisan tersembunyi d. Propagasi balik Berdasarkan kesalahan dihitung faktor (k=1,2,3,...,m) yang dipakai untuk mendistribusikan keslahan unit y k ke semua unit tersembunyi yang terhubung langsung dengan y k. ( ) ( ) ( ) ( ) (4) yk : nilai output pada jaringan tk : target yang harus dipakai juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Nilai perubahan bobot unit keluaran Vkj dengan laju percepatan α adalah: ; k = 1,2,3,...,m ; j=0,1,2,...,p (5) : nilai perubahan unit bobot keluaran : laju percepatan : faktor kesalahan Dengan cara yang sama dihitung faktor di setiap unit layer tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi dilayer dibawahnya. (6) Faktor unit tersembunyi: ( ) ( ) (7) 3
4 Nilai perubahan bobot unit tersembunyi adalah: j=1,2,3,...,α ; i =1,2,3,...,n (8) : nilai perubahan bobot unit tersembunyi : laju percepatan : faktor kesalahan Ketiga fase diulang hingga kondisi penghentian dipenuhi. Kondisi tercapai jika MSE (Mean Square Error) telah mencapai harga minimum epoch atau epoch sama dengan batas toleransi yang diberikan. Nilai MSE (Mean Square Error) pada satu siklus pelatihan adalah nilai kesalahan rata-rata dari seluruh record yang dipresentasikan ke JST dan dirumuskan: (9) n : periode waktu e : kesalahan 2. Peramalan Permintaan dengan 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 permintaan. (10) (11) Keterangan F T+1 : Peramalan untuk Periode T+1 X T : Data pada periode ke T T : Jangka waktu perataan F T+2 : Peramalan untuk periode T+2 Metode Exponential Smoothing (Makridakis, 2005) merupakan prosedur perbaikan terus-menerus pada peramalan terhadap objek pengamatan terbaru. Metode exponential smoothing dibagi lagi berdasarkan menjadi beberapa metode. a. Single Exponential Smoothing F t+1 = αx t + (1 α) F t (12) F t+1 : peramalan pada waktu t+1 F t : peramalan untuk periode t X t +(1- α): nilai aktual time series α : konstanta perataan antara 0 dan 1 b. Double Exponential Smoothing St = α * Yt + (1 α) * (St bt - 1) (13) bt = γ * (St St - 1) + (1 γ) * bt 1 (14) Ft + m = St + bt m (15) Keterangan : St = peramalan untuk periode t 4 Yt + (1-α) = Nilai aktual time series bt = trend pada periode ke - t α = parameter pertama perataan antara nol dan 1 γ = parameter kedua, untuk pemulusan trend Ft+m = hasil peramalan ke - m m = jumlah periode ke depan yang akan diramalkan c. Triple Exponential Smoothing Pemulusan trend: Bt =g (St St-1) + (1 - g ) bt-1 (16) Pemulusan musiman: I = b t X (17) t S + (1-b) t -L +m (18) Ramalan: Ft + m = (St + bt m) It L + m (19) Keterangan : L = panjang musiman b = komponen trend I = faktor penyesuaian musiman Ft+m = ramalan untuk m periode ke depan Metode dekomposisi adalah metode pemecahan data menjadi sub pola yang menunjukkan tiap-tiap komponen deret berkala secara terpisah: Data= trend + musiman + siklus + error (20) atau Ramalan= trend + musiman + siklus (21) HASIL DAN PEMBAHASAN 1. Profil Unit Usaha So Kressh UKM So Kressh merupakan sebuah unit usaha yang didirikan pada akhir tahun 2002 dengan ijin P-IRT No Usaha ini berada di rumah pemilik yang beralamat di Jalan Polowijen II/ 359 Malang. Pemilik dan pengelola UKM ini yaitu Bapak Ir. Kristiawan. Usaha ini pertama kali dimulai dengan menggunakan modal awal yang berasal dari tabungan pribadi. Setelah berkembang kurang lebih 12 tahun dari awal berdirinya, UKM ini sudah memiliki 50 tenaga kerja. Produk yang diproduksi yaitu 15 macam keripik buah dan 4 macam keripik sayur yang diproduksi. Kapasitas produksi keripik UKM So Kressh yaitu 2500 kg per bulan dengan 50 tenaga kerja. Proses pembuatan keripik nanas yang pertama adalah pengupasan, proses ini dilakukan untuk menghilangkan kulit buah nanas. Buah nanas dipotong dalam ukuran seragam (0,5 cm). Ketebalan potongan nanas perlu diperhatikan karena berkaitan erat dengan waktu penggorengan. Proses selanjutnya adalah
5 perendaman, perendaman buah nanas dilakukan dengan menggunakan larutan garam dan air kapur selama 3 jam. Larutan garam digunakan untuk menambah citarasa dan air kapur digunakan untuk menghilangkan getah pada buah nanas. Proses blanching dilakukan selama 5 menit. Proses selanjutnya adalah penggorengan, dilakukan dengan menggunakan vacuum fryer dengan suhu o C. 2. Hasil Peramalan Permintaan Menggunakan Jaringan Syaraf Tiruan Peramalan permintaan dilakukan untuk meramalkan jumlah permintaan keripik nanas UKM So Kressh pada periode Januari- Desember Peramalan permintaan ini dilakukan berdasarkan data-data yang mempengaruhi penjualan produk keripik nanas yaitu harga produk, jumlah tempat pemasaran, biaya distribusi dan biaya promosi. Data-data yang digunakan adalah pada periode Januari 2010 sampai Desember Menurut Kusnawan dan Wijoyo (2008), efektivitas volume penjualan dipengaruhi oleh strategi bauran pemasaran (Marketing Mix) yang terdiri dari produk, harga, promosi, dan saluran distribusi. 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 Pengolahan data menggunakan JST dilakukan dengan membedakan data terlebih dahulu yaitu data training dan data testing. Data training digunakan untuk melatih jaringan dan data testing digunakan untuk menguji kerja jaringan serta peramalan. Pada penelitian ini data training yang digunakan adalah 40 pasang data terdiri dari data harga produk, jumlah tempat pemasaran, biaya distribusi dan biaya promosi periode Januari 2010-April Data testing yang digunakan sebanyak 8 pasang data yang terdiri dari data harga produk, jumlah tempat pemasaran, biaya distribusi dan biaya promosi periode Mei-Desember Menurut Triwulan dkk (2013), besarnya data training yang biasa 5 digunakan adalah 80% dan data testing sebesar 20%. Fungsi aktivasi yang digunakan adalah logsig dan purelin. Menurut Ganatr (2010), logsig merupakan fungsi yang memiliki nilai pada range 0 sampai 1. fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1, namun fungsi ini juga dapat digunakan oleh jaringan syaraf yang nilai outputnya 0 atau 1. Parameter pembelajaran dalam penelitian meliputi max. Epoch 2000, dan learning rate antara 0.1. 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, 10 neuron hidden layer, 1 neuron output) dengan nilai MSE terkecil yaitu Gambar model Jaringan Syaraf Tiruan dapat dilihat pada Gambar 2. Gambar 2. Model Jaringan Syaraf Tiruan Hasil Peramalan Permintaan Menggunakan Time Series Pendekatan peramalan kuantitatif dengan metode times series akan menentukan nilai data masukan dari sekumpulan data serial atau berkala dari transaksi pada suatu jangka waktu tertentu (Pakaja dkk, 2012). Peramalan permintaan dilakukan berdasarkan data volume penjualan produk keripik nanas periode Januari 2010-Desember 2013 dengan menggunakan analisa deret waktu (time series). Peramalan permintaan dilakukan untuk meramalkan jumlah permintaan produk keripik nanas UKM So Kressh pada periode Januari-Desember Metode time series yang digunakan dalam penelitian ini meliputi metode moving averages, exponential smoothing dan dekomposisi. Penyelesaian peramalan permintaan
6 menggunakan time series ini dilakukan dengan menggunakan software SPSS Metode yang digunakan adalah expert modeler dengan tipe all models. Metode ini akan menghasilkan metode yang terbaik dari keseluruhan metode time series yang digunakan. Hasil peramalan dapat dilihat pada Gambar 3. Gambar 3. Hasil Peramalan Permintaan dengan Menggunakan Metode Winters 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 Peramalan permintaan terhadap suatu produk tentunya dilakukan dengan mengggunakan metode peramalan yang tepat dan sesuai dengan data yang ada. Metode peramalan permintaan yang digunakan pada penelitian ini ada dua yaitu jaringan syaraf tiruan dan time series. Dari dua metode ini dibandingkan mana yang terbaik dengan menggunakan data penjualan keripik nanas aktual. Hasil perbandingan metode jaringan syaraf tiruan, time series dan permintaan aktual disajikan pada Tabel 1. Tabel 1. Hasil Perbandingan Metode Jaringan Syaraf Tiruan, Time Series dan Permintaan Aktual Keripik Nanas Periode Januari-April 2014 Tahun Periode Simulasi Peramalan JST (kg) Time Series (kg) Data Aktual (kg) Persentase Kesalahan Peramalan Terhadap Permintaan Aktual (%) Triple JST Exponential Smoothing 2014 Januari Februari Maret April Rata-rata Kesalahan Dari Tabel 1 terlihat bahwa jaringan syaraf tiruan merupakan metode yang relatif lebih baik dari time series dalam meramalkan permintaan keripik nanas UKM So Kressh 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 JST dan Time Series Metode Nilai MSE Sebelum Sesudah JST Time Series
7 Pada Tabel 2 dapat dilihat nilai error untuk masing-masing metode sebelum dan sesudah peramalan. Pada metode time series nilai MSE sebelum dan sesudah peramalan tetap yaitu sebesar Pada metode JST nilai MSE sebelum dan sesudah peramalan mengalami perubahan. Nilai MSE sebelum peramalan yaitu dan sesudah peramalan yaitu Nilai MSE sesudah peramalan lebih kecil daripada sebelum peramalan, hal ini terjadi karena nilai mean data testing lebih kecil daripada mean data training. Peramalan dengan metode JST terbukti mendekati nilai aktual dibandingkan dengan metode lain. Menurut Khazem dan Mazouz (2013), model JST merupakan model terbaik yang dapat digunakan untuk membuat peramalan. Hasil peramalan dengan JST selanjutnya digunakan untuk menghitung nilai tingkat pelayanan (service level). Tingkat pelayanan (service level) merupakan probabilitas bahwa suatu permintaan tidak akan melebihi tingkat persediaan (Rangkuti, 2004). Hasil perhitungan service level aktual UKM adalah 101% dan service level dengan peramalan JST adalah 105%. Nilai service level aktual UKM dan nilai service level dengan peramalan JST melebihi 100% yang berarti UKM kelebihan persediaan produk keripik nanas. Hasil service level dengan peramalan JST lebih kecil daripada aktual. Hal ini menunjukkan bahwa dengan adanya peramalan permintaan dengan metode JST dapat menurunkan nilai service level mendekati nilai sempurna yaitu 100%. Penurunan nilai service level dari 109% menjadi 105% dapat menurunkan biaya penyimpanan dan biaya resiko kerusakan produk. KESIMPULAN Penerapan metode Jaringan Syaraf Tiruan dengan model Backpropagation untuk meramalkan produk keripik nanas UKM So Kressh menghasilkan arsitektur jaringan single hidden layer optimal yaitu (4 neuron input, 10 neuron hidden layer, 1 neuron output). 4 neuron input yaitu faktor-faktor yang mempengaruhi volume penjualan yang meliputi harga produk, jumlah tempat pemasaran, biaya distribusi dan biaya promosi. 1 neuron output yaitu hasil peramalan permintaan. Metode terbaik yang diperoleh untuk peramalan dengan time series adalah metode Winters Additive. Metode ini merupakan slah satu model Holt-Winters (triple exponential smoothing) yang digunakan untuk menangani musiman. Nilai MSE pada metode JST yaitu sedangkan nilai MSE pada metode time series yaitu sebesar Rata-rata kesalahan hasil simulasi peramalan permintaan periode Januari-April 2014 untuk metode JST adalah 3.71% sedangkan untuk metode time series adalah 49.58%. Dapat disimpulkan bahwa metode JST merupakan metode yang relatif baik daripada metode time series dalam meramalkan produk keripik nanas UKM So Kressh karena memiliki rata-rata kesalahan yang lebih kecil. Daftar Pustaka Ganatr, A. (2010). Spiking Back Propagation Multilayer Neural Network Design for Predicting Unpredictable Stock Market Prices with Time Series Analysis. International Journal of Computer Theory and Engineering. 2. Halim, S dan Chandra, A. (2011). Pemodelan Time Series Multivariat secara Automatis. Jurnal Teknik Industri. 13(1): Kazem, H. dan Mazous, A. (2013). Forecasting The Price Of Crude Oil Using Artificial Neural Networks. International Journal of Business, Marketing and Decision Sciences. 6(1): Kusnawan, G. dan Wijoyo, P. (2008). Pengaruh Strategi Bauran Pemasaran (Marketing Mix) Terhadap Efektivitas Volume Penjualan Sayuran Hidroponik. Jurnal AGRISE. 8(2): Kusumadewi, S. (2004). Membangun Jaringan Syaraf Tiruan (Menggunakan Matlab dan Excel Link). Graha Ilmu. Yogyakarta. Kusumadewi, S dan Hartati, S. (2006). Integrasi Sistem Fuzzy dan Jaringan Syaraf. Graha Ilmu.Yogyakarta. Makridakis, S. (2005). Metode dan Aplikasi Peramalan. Binarupa Aksara. Jakarta. Pakaja, F., Naba, A. dan Purwanto. (2012). Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor. Jurnal EECCIS. 6(1). Siang, J. (2005). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Adi Offset. Yogyakarta. 7
8 Rangkuti, F. (2004). Creating Effective Marketing Plan : Teknik Membuat Marketing Plan Berdasarkan Customer Values & Analisis Kasus. PT Gramedia Pustaka Utama. Jakarta. Triwulan, Y., Hariyanto, N. dan Anwari, S. (2013). Peramalan Beban Puncak Listrik Jangka Pendek Menggunakan Metode Jaringan Syaraf Tiruan. Jurnal Reka Elkomika. 1(4):
Kenyo 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 terperinciPeramalan 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciBAB 2 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 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 terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih terperinciANALISIS 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 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 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 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 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 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 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 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 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 terperinciPeramalan Permintaan Sari Apel Dengan Metode Jaringan Syaraf Tiruan (JST) di KSU Brosem, Batu
Peramalan Permintaan Sari Apel Dengan Metode Jaringan Syaraf Tiruan (JST) di KSU Brosem, Batu Demand Forecasting of Apple Cider using Artificial Neural Network (ANN) Method, at KSU Brosem, Batu Diannovi
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 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 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 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 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 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 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 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 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 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 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 terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
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 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 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 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 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 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 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 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 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 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 terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output
Lebih 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 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 terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciANALISA NILAI UJIAN MASUK STT WASTUKANCANA BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN METODE BACKPROPAGATION
ANALISA NILAI UJIAN MASUK STT WASTUKANCANA BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN METODE BACKPROPAGATION Program Studi Teknik Informatika STT Wastukancana Jl. Raya Cikopak No.53, Sadang, Purwakarta
Lebih terperinciPENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM Nanik Susanti 1* 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus
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 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 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 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 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 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 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 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 terperinciPeramalan Pemintaan Produk Keripik Tempe CV Aneka Rasa Dengan Metode Jaringan Syaraf Tiruan
Peramalan Pemintaan Produk Keripik Tempe CV Aneka Rasa Dengan Metode Jaringan Syaraf Tiruan Demand Forecasting of Tempe Chips Product at CV Aneka Rasa With Artificial Neural Network Method Indah Putri
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 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 terperinciPENGGUNAAN JARINGAN SYARAF TIRUAN DENGAN METODE BACKPROPAGATION DALAM MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN (IHSG)
PENGGUNAAN JARINGAN SYARAF TIRUAN DENGAN METODE BACKPROPAGATION DALAM MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN (IHSG) Oleh: Wisnu HendroMartono, Dian Hartanti Teknik Informatika STT-PLN ABSTRAK Peramalan
Lebih terperinciArsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah memin
BACK PROPAGATION Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output yang dihasilkan
Lebih terperinciIV. HASIL DAN PEMBAHASAN A.
IV. HASIL DAN PEMBAHASAN A. Persiapan Data Untuk Analisis Jaringan Syaraf Tahapan pertama sebelum merancang model jaringan syaraf tiruan adalah menyiapkan data. Secara garis besar tahapan-tahapan dalam
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 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 terperinciANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM)
ANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM) Hanura Ian Pratowo¹, Retno Novi Dayawati², Agung Toto Wibowo³ ¹Teknik Informatika,,
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 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 terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
Lebih terperinciPERENCANAAN PRODUKSI
PERENCANAAN PRODUKSI Membuat keputusan yang baik Apakah yang dapat membuat suatu perusahaan sukses? Keputusan yang dibuat baik Bagaimana kita dapat yakin bahwa keputusan yang dibuat baik? Akurasi prediksi
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 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 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 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 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 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 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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciMembuat keputusan yang baik
Membuat keputusan yang baik Apakah yang dapat membuat suatu perusahaan sukses? Keputusan yang dibuat baik Bagaimana kita dapat yakin bahwa keputusan yang dibuat baik? Akurasi prediksi masa yang akan datang
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 terperinciPERAMALAN BEBAN PUNCAK LISTRIK JANGKA PENDEK MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
Jurnal Reka Elkomika 2337-439X Oktober 2013 Jurnal Online Institut Teknologi Nasional TeknikElektro Itenas Vol.1 No.4 PERAMALAN BEBAN PUNCAK LISTRIK JANGKA PENDEK MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan merupakan usaha yang dilakukan oleh suatu perusahaan untuk melihat dan mengkaji situasi dan kondisi di masa mendatang. Terdapat beberapa faktor yang mempengaruhi
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
Lebih terperinci