PREDIKSI CURAH HUJAN KOTA SEMARANG DENGAN FEEDFORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA QUASI NEWTON BFGS DAN LEVENBERG-MARQUARDT
|
|
- Sonny Kusumo
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PREDIKSI CURAH HUJAN KOA SEMARANG DENGAN FEEDFORWARD NEURAL NEWORK MENGGUNAKAN ALGORIMA QUASI NEWON BFGS DAN LEVENBERG-MARQUARD Budi Warsio *), Sri Sumiyai **) ABSRAC his paper sudy he rainfall predicion a Semarang Ciy as ime series daa wih Feed Forward Neural Nework (FFNN) model. he learning algorihm ha be used are he Quasi Newon BFGS and Levenberg-Marquard algorihm. he inpu uni is deermined based on he bes of ARIMA model. he compuaion is done wih use Malab 7. program wih 000 epoch, five uni of hidden layer, 00 replicaion and use inpu a lag variabel, 2 and 3, respecively. he resul shows ha he predicion is good in relaively, where Quasi Newon BFGS algorihm resul he Mean Square Error (MSE) ha more accurae. Keywords : FFNN, Quasi Newon BFGS, Levenberg-Marquard, rainfall PENGANAR Curah huan mempunyai peran yang sanga pening. Berdasarkan daa curah huan dapa dilakukan penggolongan iklim menuru perbandingan anara umlah raa-raa bulan kering dengan umlah raa-raa bulan basah. Bulan kering eradi ika curah huan bulanan kurang dari 60 mm/bulan, sedangkan bulan basah eradi ika curah huan bulanan diaas 00 mm/bulan. Dianara bulan kering dan bulan basah ersebu erdapa bulan lembab yang eradi apabila curah huan bulanan anara mm/bulan. Kondisi opografi koa Semarang yang erbagi aas Semarang aas dan Semarang bawah menadikan huan sebagai hal yang sanga vial eruama curah huan yang inggi dapa memberikan efek yang besar eruama pada Semarang bagian bawah. Unuk iu diperlukan prediksi curah huan dengan presisi inggi berdasarkan daa masa lampau sehingga efek negaifnya dapa dicegah dengan indakan prevenif. Pada ulisan ini prediksi curah huan sebagai daa ime series dilakukan dengan Feed Forward Neural Nework (FFNN). Pada ulisan ini proses pelaihan unuk menenukan bobo-bobo koneksi pada model FFNN digunakan algorima Quasi Newon BFGS dan Levenberg-Marquard dengan pake program Malab 7.. Sisemaika penulisan dilakukan sebagai beriku. Pada bagian kedua membahas algorima propagasi balik pada model FFNN, bagian keiga enang algorima BFGS, bagian keempa enang algorima Levenberg Marquard. Bagian kelima aplikasi pada daa curah huan koa Semarang dan bagian erakhir penuup. BACKPROPAGAION Pada dasarnya, Neural Nework (NN) merupakan suau kumpulan elemen-elemen pemrosesan sederhana yang saling berhubungan, yang disebu neuron (uni, sel aau node). Seiap neuron dihubungkan dengan neuron lain dengan link komunikasi langsung melalui pola hubungan yang disebu arsiekur aringan [5]. iap-iap hubungan ersebu mempunyai bobo koneksi (weigh) yang dilaih unuk mencapai respon yang diinginkan. Sehingga dengan pelaihan erhadap daa berdasarkan bobo-bobo koneksi ersebu diharapkan memperoleh oupu yang diinginkan. Meode yang digunakan unuk menenukan bobo koneksi ersebu dinamakan algorima pelaihan (raining algorihm). iap-iap hubungan anar neuron mempunyai bobo koneksi yang dilaih unuk mencapai respon yang diinginkan dengan melakukan suau proses pelaihan (raining). Selama proses pelaihan, eradi perubahan yang cukup berari pada bobo-bobo yang menghubungkan anar neuron. Apabila ada rangsangan yang sama dengan rangsangan yang elah dierima oleh neuron sebelumnya, maka neuron akan memberikan reaksi dengan cepa. Akan eapi apabila ada rangsangan yang 46 *) Program Sudi eknik Lingkungan F Undip Jl. Prof. H. Sudaro, SH embalang Semarang
2 Budi Warsio, Sri Sumiyai Prediksi Curah Huan Koa Semarang berbeda dengan apa yang elah dierima oleh neuron, maka neuron akan segera beradapasi unuk memberikan reaksi yang sesuai. Nilai bobo akan berambah, ika informasi yang diberikan oleh neuron yang bersangkuan ersampaikan, sebaliknya ika informasi idak disampaikan oleh suau neuron ke neuron yang lain, maka nilai bobo yang menghubungkan keduanya akan dikurangi. Pada saa pelaihan dilakukan pada inpu yang berbeda, maka nilai bobo akan diubah secara dinamis hingga mencapai suau nilai yang cukup seimbang. Apabila nilai ini elah ercapai mengindikasikan bahwa iap-iap inpu elah berhubungan dengan oupu yang diharapkan. Selama proses pelaihan, masing-masing bobo koneksi dipropagasikan ke seluruh uni aau node dengan meode pelaihan perambaan balik (backpropagaion). Bobobobo diaur secara ieraif unuk meminimumkan fungsi kinera aringan. Fungsi kinera yang sering digunakan adalah MSE, dimana fungsi ini akan mengambil kuadra error yang eradi anara oupu dan arge. Ada beberapa meode pembelaaran yang dapa digunakan unuk mengaur bobo dalam rangka meminimumkan MSE. Pada ulisan ini dibaasi hanya unuk BFGS quasi Newon dan Levenberg_Marquard. Seluruh proses pelaihan ersebu dapa langsung dikerakan oleh kompuer menggunakan aplikasi program MALAB versi 7. dengan synax rainbfg dan rainlm. Pelaihan backpropagaion dilakukan dalam rangka pengauran bobo, sehingga pada akhir pelaihan akan diperoleh bobobobo yang opimal. Hal ini dapa dipenuhi dengan melakukan proses pelaihan dengan menyesuaikan parameer-parameer aau bobo dan bias koneksi sehingga unuk suau inpu erenu, aringan dapa menghasilkan oupu yang sesuai dengan arge. Proses penyesuaian dilakukan dengan memberikan sebuah raining se (berupa suau himpunan yang erdiri dari pasangan inpu dan oupu) pada aringan. raining se ersebu dievaluasi dengan suau algorima pelaihan erenu. Gambar 2 Selama proses pelaihan berlangsung, raining se akan dievaluasi berkali-kali secara ieraif unuk meminimumkan fungsi kuadra errornya. Fungsi ini akan mengambil kuadra error yang eradi anara oupu dan arge. Dengan meode ini kesalahan lokal iap sel dapa diliha sebagai bagian yang erkonribusi dalam menghasilkan kesalahan oal pada lapisan oupu. Apabila kesalahan pada lapisan oupu dapa dipropagasikan kembali masuk ke lapisan ersembunyi, maka kesalahan lokal sel-sel pada lapisan ersebu dapa dihiung unuk mendapakan perubahan bobo. Backpropagaion merupakan algorima pelaihan erawasi dan biasanya digunakan oleh percepron dengan banyak lapisan unuk mengubah bobo-bobo yang erhubung dengan neuron-neuron pada lapisan ersembunyi. Algorima ini menggunakan error oupu unuk mengubah nilai bobo-bobonya dalam arah mundur (backward). Unuk mendapakan error ini, ahap perambaan mau (forward propagaion) harus dikerakan erlebih dahulu. Conoh arsiekur aringan backpropagaion seperi erliha pada Gambar, dimana aringan erdiri dari 3 neuron pada lapisan inpu yaiu x, x 2, dan x 3; lapisan ersembunyi dengan 2 neuron, yaiu z dan z 2 ; sera uni pada lapisan oupu, yaiu y. v i adalah bobo yang menghubungkan neuron inpu ke-i ke neuron ke- pada lapisan ersemunyi dan b adalah bobo bias yang menuu ke neuron ke- pada lapisan ersembunyi. Bobo yang menghubungkan z dan z 2 dengan neuron pada lapisan oupu adalah w dan w 2 dan bobo bias b2 menghubungkan lapisan ersembunyi dengan lapisan oupu. Gambar. Arsiekur aringan Backpropagaion dengan sau lapisan ersembunyi, 3 uni inpu, 2 uni ersembunyi dan sau uni oupu. Algorima Pelaihan Backpropagaian Pelaihan backpropagaion menggunakan meode pancarian iik minimum unuk mencari bobo dengan error minimum. Algorima 47
3 Jurnal PRESIPIASI Vol. 3 No.2 Sepember 2007, ISSN X backpropagaion menggunakan error oupu unuk mengubah nilai bobo-bobonya dalam arah mundur (backward) [5]. Pelaihan backpropagaion melipui 3 fase yaiu fase mau, fase mundur dan fase perubahan bobo. Fase I : Forward Propagaion (Propagasi mau) Selama propagasi mau, sinyal inpu (x i ) dipropagasikan ke lapisan ersembunyi. Sinyal-sinyal inpu erboboi yang masuk keiap-iap uni pada lapisan ersembunyi (Z, =,2,..,p), dienukan dengan persamaan: n z_in = b + x iv i () i= Sinyal oupu dari lapisan ersembunyi (z ) dienukan menggunakan fungsi akivasi yang elah dienukan. z = f ( z_in ) (2) Karena fungsi akivasi yang digunakan BP pada lapisan ersembunyi adalah fungsi logisik sigmoid maka persamaan (2) menadi: z = ( z in ) + e = n b + + e i= x i v i Selanunaya z ersebu dipropagasikan mau lagi kelapisan oupu dengan persamaan : p y_in = b2 + z w = Sinyal oupunya dienukan dengan : y = f ( y_in ) Karena fungsi akivasi yang digunakan BP pada lapisan oupu adalah fungsi idenias, maka persamaan ( ) menadi : y = f ( y_in ) =y_in = b2 + z w p = Berikunya, oupu aringan (y) dibandingkan dengan arge yang harus dicapai (). Selisih ( y) adalah kesalahan (error) yang eradi. Jika kesalahan ini lebih kecil dari baas oleransi yang dienukan, maka epoch dihenikan. Akan eapi apabila kesalahan masih lebih besar dari baas oleransinya, maka bobo seiap garis dalam aringan akan dimodifikasi unuk mengurangi kesalahan yang eradi. Fase II : Back Propagaion (Propagasi mundur). Kesalahan (error) yang eadi dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan uni pada lapisan oupu. Fase III : Weigh Updae (Perubahan bobo ) Modifikasi bobo dan bias unuk menurunkan kesalahan yang eradi. Perubahan bobo dan bias pada garis yang menuu uni oupu: w (baru) = w (lama ) + w b2 (baru) = b2(lama ) + b2 Perubahan bobo dan bias pada garis menuu uni ersembunyi: v i (baru) = v i (lama ) + v i b (baru) = b (lama ) + b Keiga fase ersebu diulang-ulang erus hingga kondisi penghenian dipenuhi. Umumnya kondisi penghenian yang sering dipakai adalah umlah epoch aau kesalahan. Epoch akan dihenikan ika umlah epoch yang dilakukan sudah melebihi umlah maksimum epoch yang dieapkan, aau ika kesalahan yang eradi sudah lebih kecil dari baas oleransi yang diiinkan. Inisialisasi Bobo Inisialisasi nilai bobo awal sanga mempengaruhi aringan saraf dalam mencapai minimum global (aau mungkin hanya lokal saa) erhadap nilai error, sera cepa idaknya proses pelaihan menuu konvergen. Apabila nilai bobo awal erlalu besar, maka inpu ke seiap lapisan ersembunyi aau lapisan oupu akan auh pada daerah dimana urunan fungsi sigmoidnya akan sanga kecil. Sebaliknya, apabila nilai bobo awal erlalu kecil, maka inpu ke seiap lapisan ersembunyi aau lapisan oupu akan sanga kecil, yang akan menyebabkan proses pelaihan akan beralan sanga lamba. Pelaihan BP dilakukan dalam rangka pengauran bobo, sehingga pada akhir pelaihan akan diperoleh bobo-bobo yang opimal. uuannya adalah agar aringan dapa menalankan operasi sesuai dengan yang diinginkan. Hal ini dapa dipenuhi dengan melakukan proses pelaihan dengan menyesuaikan parameer-parameer aau bobo dan bias koneksi sehingga 48
4 Budi Warsio, Sri Sumiyai Prediksi Curah Huan Koa Semarang unuk suau inpu erenu, aringan dapa menghasilkan oupu yang sesuai dengan yang elah diargekan. Proses penyesuaian dilakukan dengan memberikan sebuah raining se (berupa suau himpunan yang erdiri dari pasangan inpu dan oupu). raining se ersebu dievaluasi dengan suau algorima pelaihan erenu. Selama proses pelaihan berlangsung, raining se akan dievaluasi berkali-kali secara ieraif, uuannya adalah unuk meminimumkan fungsi kuadra errornya. Fungsi ini akan mengambil kuadra error yang eradi anara oupu dan arge. Dengan meode ini kesalahan lokal iap sel dapa diliha sebagai bagian yang erkonribusi dalam menghasilkan kesalahan oal pada lapisan oupu. Apabila kesalahan pada lapisan oupu dapa dipropagasikan kembali masuk ke lapisan ersembunyi, maka kesalahan lokal sel-sel pada lapisan ersebu dapa dihiung unuk mendapakan perubahan bobo. ALGORIMA QUASI NEWON BFGS Misalkan w adalah vekor bobo yang mengandung w (), b2(), v i () dan b (), konsep dasar meode Newon adalah : - w + = w H. g () dengan w : vekor bobo dan bias koneksi. g : vekor gradien yang berisi g (), g b2(), g i() dan g b(). H : mariks Hessian. Mariks Hessian merupakan urunan kedua dari indeks kinera erhadap bobo-bobo dan bias koneksi aringan pada nilai ke-, sehingga mariks Hessian didapakan dengan cara yang lebih kompleks. Unuk menghindari penghiungan yang lebih kompleks ersebu mariks Hessian dapa dienukan secara ieraif pada masing-masing epoch dengan memberikan inisial mariks Hessian pada awal pelaihan. Inisial mariks Hessian pada awal epoch harus bersifa simerik dan defini posiif. Mariks yang biasanya digunakan sebagai inisial mariks Hessian adalah mariks idenias. Hal ini disebabkan mariks idenias mudah didefinisikan sera merupakan mariks simerik dan defini posiif []. Salah sau algorima perubahan bobo dengan meode newon adalah algorima BFGS yang diperkenalkan oleh Broyden, Flecher, Goldfarb dan Shanno. Algorima pelaihan dengan meode quasi Newon adalah sebagai beriku [3]: Langkah 0 : a. Inisialisasi bobo awal dengan bilangan acak kecil b. Inisialisasi Epoch 0, MSE 0 c. Inisialisasi H 0 yang merupakan marik defini posoif simerik. d. eapkan Maksimum Epoch dan arge Error. Langkah : Jika kondisi penghenian belum erpenuhi ( Epoch < Maksimum Epoch aau MSE > arge Error ), lakukan langkah berikunya. Langkah 2 : Uni oupu Y menerima arge pola yang berhubungan dengan pola inpu pelaihan. Kesalahan pada uni oupu didefinisikan sebagai : e = ( - y ) Dengan : e : Kesalahan pada uni oupu : Keluaran yang diinginkan (acuan/ arge) y : Keluaran akual Fungsi umlah kuadra error didefinisikan dengan : 2 E = ( y) 2 Misalkan w adalah vekor bobo yang mengandung w (), b2(), v i () dan b (). Gradien fungsi kinera erhadap nilai bobo dan bias koneksi pada waku ke- didefinisikan dengan : g () = - δ2 (). z () g b2() = -δ2 () g i() = - δ ( ) x i g b() = - δ ( ) g merupakan vekor gradien yang berisi g (), g b2(), g i() dan g b(). Jika g = 0 maka algorima berheni, ika idak maka hiung : d = - H.g Langkah 3 : empakan nilai α dengan menggunakan fungsi line search. uuannya adalah unuk meminimumkan error yang akan eradi. f w + α = arg min [ ( α )] α d Perubahan vekor bobo dan bias yang eradi adalah : w + = w + α. d 49
5 Jurnal PRESIPIASI Vol. 3 No.2 Sepember 2007, ISSN X Langkah 4 : Hiung perubahan bobo dan bias dengan persamaan beriku : w = α.d Sedangkan perubahan arah pencarian adalah sebagai beriku : g = g + - g Maka didapakan persamaan : H + =H + g. H. g w. w +. g. w w. g H. g. w g Langkah 5 : epoch = epoch + Kembali ke langkah 2. ALGORIMA MARQUARD + ( H. g. w. w ) LEVENBERG- Langkah dasar algorima Levenberg_Marquard adalah penenuan mariks Hessian unuk mencari bobo-bobo dan bias koneksi yang digunakan []. Mariks Hessian merupakan urunan kedua dari fungsi kinera erhadap masing-masing komponen bobo dan bias. Unuk memudahkan proses kompuasi, mariks Hessian diubah dengan pendekaan secara ieraif pada masingmasing epoch selama algorima pelaihan beralan. Proses perubahannya dilakukan dengan menggunakan fungsi gradien. Jika fungsi kinera yang digunakan berbenuk umlah kuadra error (SSE), maka mariks Hessian dapa diesimasi dengan persamaan beriku: H = J J+η I (2) dimana : η : parameer Marquard I J : mariks idenias : mariks Jakobian yang erdiri dari urunan perama error aringan erhadap masing-masing komponen bobo dan bias. Mariks Jakobian dapa dikompuasikan melalui eknik backpropagaion sandar [4]. Mariks Jakobian ersusun dari urunan perama fungsi error erhadap masing-masing komponen bobo dan bias koneksi aringan. Nilai parameer Marquard (η ) dapa berubah pada seiap epoch. Jika seelah beralan sau epoch nilai fungsi error menadi lebih kecil, nilai η akan dibagi oleh fakorτ. Bobo dan bias baru yang diperoleh akan diperahankan dan pelaihan dapa dilanukan ke epoch berikunya. Sebaliknya, ika seelah beralan sau epoch nilai fungsi error menadi lebih besar maka nilai η akan dikalikan dengan fakor τ. Nilai perubahan bobo dan bias dihiung kembali sehingga menghasilkan nilai yang baru. Algorima pelaihan dengan meode Levenberg_Marquard dapa diabarkan sebagai beriku : Langkah 0 : Inisialisasi bobo awal dengan bilangan acak kecil Inisialisasi Epoch 0, MSE 0 eapkan Maksimum epoch, parameer Levenberg_Marquard (η > 0 ), fakor τ dan arge Error Langkah : Jika kondisi penghenian belum erpenuhi (epoch < Maksimum epoch aau MSE > arge Error), lakukan langkah berikunya. Langkah 2 : Epoch = epoch + Unuk seiap pasangan daa pelaihan, lakukan langkah 3 4. Langkah 3 : Uni oupu Y menerima arge pola yang berhubungan dengan pola inpu pelaihan. Jika diberikan N pasangan inpu daa pelaihan (x r, r ), r =,2,...,N, dengan x r adalah inpu dan r arge yang akan dicapai. Kesalahan pada suau daa pelaihan ke-r didefinisikan sebagai: e r = r - y r dengan : e r : Kesalahan pada uni oupu r : Keluaran yang diinginkan (acuan/ arge) y r : Keluaran akual. e adalah vekor kesalahan berukuran Nx yang ersusun dari e r, r =,2,...,N. e dapa diuliskan sebagai : e e K e N e = [ ] 2 Misal bobo dan bias koneksi dinyaakan dalam vekor w, w merupakan vekor berukuran ((2+n)p+)x dapa diuliskan sebagai : w b2 v b w = [ ] i 50
6 Budi Warsio, Sri Sumiyai Prediksi Curah Huan Koa Semarang Kesalahan suau pelaihan aringan oleh vekor bobo dan bias koneksi w pada suau daa pelaihan ke-r menadi : e r (w) = ( r y r ) = ( r - f ( x r, w ) ) Vekor kesalahan oleh vekor bobo dan bias koneksi w menadi e(w) berukuran Nx yang ersusun dari e r (w), dengan r =,2,...,N. Hiung fungsi umlah kuadra error dengan persamaan : E (w) = 2 e (w) e(w) Hiung mariks Jacobian unuk vekor bobo dan bias koneksi : e J (w) = r, w Nx(( 2+ n) p+ ) unuk r =,2,...,N a. Hiung mariks Hessian unuk vekor bobo dan H(w)=[ bias koneksi. J ] (w)jw ( ) + η I ((2 + n) p+ ) x((2 + n) p+ ) b. Hiung perubahan vekor bobo dan bias dengan persamaan beriku : w = - [ H(w) ] [ J (w)e(w) ]((2 +n ) p+ ) x c. Hiung vekor bobo dan bias baru. w (baru) = w (lama) + w d. Hiung kesalahan yang eradi oleh bobo dan bias koneksi yang baru. E(w(baru)) = 2 e(w (baru)) e(w (baru)) umlah epoch dibaasi sebanyak 000, iga uni inpu, 5 uni hidden dan masingmasing proses diulang sebanyak 00 kali. Hasil perhiungan disaikan pada abel beriku. abel. Hasil perhiungan model FFNN dengan meode Levenberg-Marquard dan BFGS Levenberg- BFGS Marquard Uni inpu Lag, 2 dan 3 Lag, 2 dan 3 Jumlah epoch Learning rae 0. Jumlah replikasi MSE raining MSE esing Jumlah uni hidden 5 5 Dari abel nampak bahwa meode BFGS memberikan keakuraan prediksi yang lebih baik pada raining maupun esing. Proses ierasi menuu konvergen dari proses erakhir disaikan pada gambar 2. e. Bandingkan E(w) dengan E(w(baru)). Jika E(w) <= E(w(baru)) maka didapakan η = η *τ dan kembali ke langkah a. Jika E(w) > E(w(baru)) maka didapakan η = η /τ w (+) = w () + w Kembali ke langkah 2. raining-blue Goal-Black Performance is 0.408, Goal is 0.00 PREDIKSI CURAH HUJAN Daa yang digunakan adalah daa bulanan curah huan koa Semarang mulai Januari 994 Desember 2003 sebanyak 20 daa dimana 00 daa digunakan sebagai daa raining dan sisanya 20 daa sebagai daa esing. Berdasarkan pembenukan model ARIMA menggunakan fungsi auokorelasi dan auokorelasi parsial inpu yang dipilih adalah daa lag, 2 dan 3. Perhiungan dilakukan menggunakan program Malab 7. dengan Epochs Gambar 2. Proses ierasi sampai 000 epoch Hasil prediksi in sample dan ou sample pada proses erakhir disaikan pada gambar 3 dan grafik 4. Nampak bahwa model menghasilkan prediksi yang cukup baik. 5
7 Jurnal PRESIPIASI Vol. 3 No.2 Sepember 2007, ISSN X merah = daa asli biru = prediksi Gambar 3. Grafik prediksi in-sample daa curah huan dengan meode BFGS merah = daa asli biru = prediksi Inelligence and Neural Nework, Vol. No.. Bishop, Chrisopher, M., 995, Neural Neworks for Paern Recogniion, Oxford Universiy Press, New York Chafield, C. and Faraway, J., 998, ime Series Forecasing wih Neural Neworks: a Comparaive Sudy Using he Airline Daa, Applied Saisics Fause, L., 994, Fundamenals of Neural Neworks; archiecures, algorihms and applicaions, Prenice-Hall Inc., Englewoods Cliffs, New Jersey Zhou, G. and Si, J., 998, Advanced Neural Nework raining Algorihm wih Reduced Complexiy Based on Jacobian Deficiency, IEEE ransacions on Neural Nework, Vol. 9, No. 3, May Gambar 4. Grafik prediksi ou-sample daa curah huan dengan meode BFGS PENUUP Berdasarkan pembahasan dapa disimpulkan bahwa pelaihan erhadap aringan FFNN pada daa curah huan koa Semarang dengan menggunakan algorima Quasi Newon BFGS lebih baik digunakan dalam rangka meminimumkan kesalahan yang eradi ika dibandingkan dengan algorima Levenberg- Marquard. DAFAR PUSAKA Al-Haik, M.S., Garmesani, H. and Navon, I.M., 2003, runcaed-newon raining Algorihm for Neurocompuaional Viscoplasic Model, Compu. Mehods Appl. Mech. Engrg., No. 92, p Bola, S. and Kalenderli, O., 2003, Elecrode Conour Opimizaion by Arificial Neural Nework wih Levenberg-Marquard Algorihm, IJCI Proceeding of In. XII urkish Symposium on Arificial 52
PREDIKSI CURAH HUJAN KOTA SEMARANG DENGAN FEEDFORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA QUASI NEWTON BFGS DAN LEVENBERG-MARQUARDT
Jurnal PRESIPIASI Volume 3 No Sepember 007 PREDIKSI CURAH HUJAN KOA SEMARANG DENGAN FEEDFORWARD NEURAL NEWORK MENGGUNAKAN ALGORIMA QUASI NEWON BFGS DAN LEVENBERG-MARQUARD Budi Warsio 1), Sri Sumiyai )
Lebih terperinci*Corresponding Author:
Prosiding Seminar Tugas Akhir FMIPA UNMUL 5 Periode Mare 6, Samarinda, Indonesia ISBN: 978-6-7658--3 Penerapan Model Neuro-Garch Pada Peramalan (Sudi Kasus: Reurn Indeks Harga Saham Gabungan) Applicaion
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang
BAB 2 TINJAUAN TEORITIS 2.1 Pengerian dan Manfaa Peramalan Kegiaan unuk mempeirakan apa yang akan erjadi pada masa yang akan daang disebu peramalan (forecasing). Sedangkan ramalan adalah suau kondisi yang
Lebih terperinciBAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu
BAB III METODE DEKOMPOSISI CENSUS II 3.1 Pendahuluan Daa dere waku adalah daa yang dikumpulkan dari waku ke waku unuk menggambarkan perkembangan suau kegiaan (perkembangan produksi, harga, hasil penjualan,
Lebih terperincix 4 x 3 x 2 x 5 O x 1 1 Posisi, perpindahan, jarak x 1 t 5 t 4 t 3 t 2 t 1 FI1101 Fisika Dasar IA Pekan #1: Kinematika Satu Dimensi Dr.
Pekan #1: Kinemaika Sau Dimensi 1 Posisi, perpindahan, jarak Tinjau suau benda yang bergerak lurus pada suau arah erenu. Misalnya, ada sebuah mobil yang dapa bergerak maju aau mundur pada suau jalan lurus.
Lebih terperinciAPLIKASI METODE JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI DATA INDEKS HARGA SAHAM GABUNGAN DI INDONESIA
APLIKASI METODE JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI DATA INDEKS HARGA SAHAM GABUNGAN DI INDONESIA 1 Arani Indraseianigsih, 2 Ika Damayani 1,2 Program Sudi Saisika, Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciBAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan
BAB 2 URAIAN EORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan aau memprediksi apa yang erjadi pada waku yang akan daang, sedangkan rencana merupakan penenuan apa yang akan dilakukan
Lebih terperinciBAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF
BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Pada dasarnya peramalan adalah merupakan suau dugaan aau perkiraan enang erjadinya suau keadaan di masa depan. Akan eapi dengan menggunakan meodemeode erenu peramalan
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN
PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciBAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun
43 BAB METODE PEMUUAN EKPONENA TRPE DAR WNTER Meode pemulusan eksponensial elah digunakan selama beberapa ahun sebagai suau meode yang sanga berguna pada begiu banyak siuasi peramalan Pada ahun 957 C C
Lebih terperinciPENENTUAN UNIT HIDDEN OPTIMAL PADA MODEL NEURAL NETWORK DENGAN ANALISIS KONTRIBUSI INCREMENTAL SEL
PENENTUAN UNIT HIDDEN OPTIMAL PADA MODEL NEUAL NETWOK DENGAN ANALISIS KONTIBUSI INCEMENTAL SEL Budi Warsio Jurusan Maemaika FMIPA UNDIP Jl. Prof. H. Soedaro, S.H, Semarang 75 Absrac. This paper discusses
Lebih terperinciPemodelan Volatilitas Saham Menggunakan Jaringan Syaraf Tiruan dan Algoritma Genetika
Pemodelan Volailias Saham Menggunakan Jaringan Syaraf Tiruan dan Algorima Geneika Hasbi Yasin 1 1 Jurusan Saisika Undip, hasbiyasin@undip.ac.id Absrak. Flukuasi yang besar dan idak pasi dalam peramalan
Lebih terperinciAnalisis Model dan Contoh Numerik
Bab V Analisis Model dan Conoh Numerik Bab V ini membahas analisis model dan conoh numerik. Sub bab V.1 menyajikan analisis model yang erdiri dari analisis model kerusakan produk dan model ongkos garansi.
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON*
PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON* BERLIAN SETIAWATY DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan
Lebih terperinciBAB 2 KINEMATIKA. A. Posisi, Jarak, dan Perpindahan
BAB 2 KINEMATIKA Tujuan Pembelajaran 1. Menjelaskan perbedaan jarak dengan perpindahan, dan kelajuan dengan kecepaan 2. Menyelidiki hubungan posisi, kecepaan, dan percepaan erhadap waku pada gerak lurus
Lebih terperinciBAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan
BAB II LADASA TEORI 2.1 Pengerian peramalan (Forecasing) Peramalan (Forecasing) adalah suau kegiaan yang mengesimasi apa yang akan erjadi pada masa yang akan daang dengan waku yang relaif lama (Assauri,
Lebih terperinciBAB 2 LANDASAN TEORI
35 BAB LANDASAN TEORI Meode Dekomposisi biasanya mencoba memisahkan iga komponen erpisah dari pola dasar yang cenderung mencirikan dere daa ekonomi dan bisnis. Komponen ersebu adalah fakor rend (kecendrungan),
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi padi merupakan suatu hasil bercocok tanam yang dilakukan dengan
BAB 2 LANDASAN TEORI 2.1. Produksi Produksi padi merupakan suau hasil bercocok anam yang dilakukan dengan penanaman bibi padi dan perawaan sera pemupukan secara eraur sehingga menghasilkan suau produksi
Lebih terperinciPERSAMAAN GERAK VEKTOR SATUAN. / i / = / j / = / k / = 1
PERSAMAAN GERAK Posisi iik maeri dapa dinyaakan dengan sebuah VEKTOR, baik pada suau bidang daar maupun dalam bidang ruang. Vekor yang dipergunakan unuk menenukan posisi disebu VEKTOR POSISI yang diulis
Lebih terperinciPERAMALAN TIME SERIES NONLINEAR MENGGUNAKAN RADIAL BASIS FUNCTION NETWORK - SELF ORGANIZING MAP (RBFN-SOM)
PERAMALAN TIME SERIES NONLINEAR MENGGUNAKAN RADIAL BASIS FUNCTION NETWORK - SELF ORGANIZING MAP (RBFN-SOM) oleh SURYANTO WIBOWO M0107059 SKRIPSI diulis dan diajukan unuk memenuhi sebagai persyaraan memperoleh
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
11 BAB I PENDAHULUAN 1.1 Laar Belakang Salah sau masalah analisis persediaan adalah kesulian dalam menenukan reorder poin (iik pemesanan kembali). Reorder poin diperlukan unuk mencegah erjadinya kehabisan
Lebih terperinciPENDUGAAN PARAMETER DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA
PENDUGAAN PARAMEER DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY DAN DIMAS HARI SANOSO Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor Jl Merani, Kampus
Lebih terperinciPERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN BACKPROPAGATION-ANN
PERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN BACKPROPAGATION-ANN Yuli Wahyuningsih (), Brodjol Suijo S. U (), Suharono () Mahasiswa Jurusan Saisika, FMIPA, Insiu Teknologi
Lebih terperinciHIDDEN MARKOV MODEL. Proses Stokastik dapat dipandang sebagai suatu barisan peubah acak dengan T adalah parameter indeks dan X
BAB II HIDDE MARKOV MODEL.. Pendahuluan Proses Sokasik dapa dipandang sebagai suau barisan peubah acak { X, } dengan adalah parameer indeks dan X menyaakan keadaan pada saa. Himpunan dari semua nilai sae
Lebih terperinciPemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun
Pemodelan Daa Runun Waku : Kasus Daa Tingka Pengangguran di Amerika Serika pada Tahun 948 978. Adi Seiawan Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias Krisen Saya Wacana, Jl. Diponegoro
Lebih terperinciBAB I PENDAHULUAN. tepat rencana pembangunan itu dibuat. Untuk dapat memahami keadaan
BAB I PENDAHULUAN 1.1 Laar Belakang Dalam perencanaan pembangunan, daa kependudukan memegang peran yang pening. Makin lengkap dan akura daa kependudukan yang esedia makin mudah dan epa rencana pembangunan
Lebih terperinciPemodelan Produksi Minyak dan Gas Bumi pada Platform MK di PT X Menggunakan Metode ARIMA, Neural Network, dan Hibrida ARIMA-Neural Network
D-378 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (26) 2337-3520 (23-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi pada Plaform MK di PT X Menggunakan Meode ARIMA, Neural Nework, dan Hibrida ARIMA-Neural
Lebih terperinciAPLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND
APLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND Noeryani 1, Ely Okafiani 2, Fera Andriyani 3 1,2,3) Jurusan maemaika, Fakulas Sains Terapan, Insiu Sains & Teknologi
Lebih terperinciBAB II TINJAUAN TEORITIS
BAB II TIJAUA TEORITIS 2.1 Peramalan (Forecasing) 2.1.1 Pengerian Peramalan Peramalan dapa diarikan sebagai beriku: a. Perkiraan aau dugaan mengenai erjadinya suau kejadian aau perisiwa di waku yang akan
Lebih terperinciBAB 2 LANDASAN TEORI. Metode Peramalan merupakan bagian dari ilmu Statistika. Salah satu metode
20 BAB 2 LADASA TEORI 2.1. Pengerian Peramalan Meode Peramalan merupakan bagian dari ilmu Saisika. Salah sau meode peramalan adalah dere waku. Meode ini disebu sebagai meode peramalan dere waku karena
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi dan Waku Peneliian Peneliian ini dilaksanakan di PT Panafil Essenial Oil. Lokasi dipilih dengan perimbangan bahwa perusahaan ini berencana unuk melakukan usaha dibidang
Lebih terperinciBAB III. Metode Penelitian
66 BAB III Meode Peneliian 3.1. Variabel Peneliian dan Definisi Operasional Peneliian ini menggunakan sau definisi variabel operasional yaiu nilai harian indeks LQ 45. 3.2. Populasi dan sampel Populasi
Lebih terperinciPERHITUNGAN VALUE AT RISK (VaR) DENGAN SIMULASI MONTE CARLO (STUDI KASUS SAHAM PT. XL ACIATA.Tbk)
Jurnal UJMC, Volume 3, Nomor 1, Hal. 15-0 pissn : 460-3333 eissn : 579-907X ERHITUNGAN VAUE AT RISK (VaR) DENGAN SIMUASI MONTE CARO (STUDI KASUS SAHAM T. X ACIATA.Tbk) Sii Alfiaur Rohmaniah 1 1 Universias
Lebih terperinciBAB III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun
BAB III ARFIMA-FIGARCH 3. Time Series Memori Jangka Panjang Proses ARMA sering dinyaakan sebagai proses memori jangka pendek (shor memory) karena fungsi auokorelasi anara dan urun cepa secara eksponensial
Lebih terperinciKOMPARASI METODE ANFIS DAN FUZZY TIME SERIES KASUS PERAMALAN JUMLAH WISATAWAN AUSTRALIA KE BALI
E-Jurnal Maemaika Vol. 2, No.2, Mei 2013, 18-26 ISSN: 2303-1751 KOMPARASI METODE ANFIS DAN FUZZY TIME SERIES KASUS PERAMALAN JUMLAH WISATAWAN AUSTRALIA KE BALI IDA BAGUS KADE PUJA ARIMBAWA K 1, KETUT JAYANEGARA
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau aau kondisi yang diperkirakan akan erjadi
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. yang akan datang. Peramalan menjadi sangat penting karena penyusunan suatu
BAB 2 TINJAUAN PUSTAKA 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan apa yang erjadi pada waku yang akan daang sedangkan rencana merupakan penenuan apa yang akan dilakukan pada waku yang
Lebih terperinciPENERAPAN METODE TRIPLE EXPONENTIAL SMOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUSAHAAN MEBEL SINAR JEPARA TANJUNGANOM NGANJUK.
PENERAPAN METODE TRIPLE EXPONENTIAL MOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUAHAAN MEBEL INAR JEPARA TANJUNGANOM NGANJUK. ii Rukayah*), Achmad yaichu**) ABTRAK Peneliian ini berujuan unuk
Lebih terperinciPREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED
PREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED Wahyuda 1, Budi Sanosa 2, Nani Kurniai 3 1 Teknik Indusri Universias Mulawarman-Samarinda
Lebih terperinciBAB 2 TINJAUAN TEORITIS. bahasa Yunani yang berarti Demos adalah rakyat atau penduduk, dan Grafein adalah
37 BAB 2 TINJAUAN TEORITIS 2.1 Pengerian-pengerian Kependudukan sanga era kaiannya dengan demgrafi. Kaa demgrafi berasal dari bahasa Yunani yang berari Dems adalah rakya aau penduduk, dan Grafein adalah
Lebih terperinciBAB KINEMATIKA DENGAN ANALISIS VEKTOR
BAB KINEMATIKA DENGAN ANALISIS VEKTOR Karakerisik gerak pada bidang melibakan analisis vekor dua dimensi, dimana vekor posisi, perpindahan, kecepaan, dan percepaan dinyaakan dalam suau vekor sauan i (sumbu
Lebih terperinciBAB IV PERHITUNGAN NUMERIK
BAB IV PERHITUNGAN NUMERIK Dengan memperhaikan fungsi sebaran peluang berahan dari masingmasing sebaran klaim, sebagai mana diulis pada persamaan (3.45), (3.70) dan (3.90), perhiungan numerik idak mudah
Lebih terperinciPemodelan Produksi Minyak dan Gas Bumi di PT. Z Menggunakan Metode ARIMA, FFNN, dan Hybrid ARIMA-FFNN
D-444 JURNAL SANS DAN SEN TS Vol. 5 No. 2 (206) 27-520 (20-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi di PT. Z Menggunakan Meode ARMA, FFNN, dan Hybrid ARMA-FFNN Daniar Kusumaning Ayu, Desri Susilaningrum
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN EMBAHASAN 4.1 Karakerisik dan Obyek eneliian Secara garis besar profil daa merupakan daa sekunder di peroleh dari pusa daa saisik bursa efek Indonesia yang elah di publikasi, daa di
Lebih terperinciB a b 1 I s y a r a t
TKE 305 ISYARAT DAN SISTEM B a b I s y a r a Indah Susilawai, S.T., M.Eng. Program Sudi Teknik Elekro Fakulas Teknik dan Ilmu Kompuer Universias Mercu Buana Yogyakara 009 BAB I I S Y A R A T Tujuan Insruksional.
Lebih terperinciGERAK LURUS BESARAN-BESARAN FISIKA PADA GERAK KECEPATAN DAN KELAJUAN PERCEPATAN GLB DAN GLBB GERAK VERTIKAL
Suau benda dikaakan bergerak manakalah kedudukan benda iu berubah erhadap benda lain yang dijadikan sebagai iik acuan. Benda dikaakan diam (idak bergerak) manakalah kedudukan benda iu idak berubah erhadap
Lebih terperinciAnalisis Faktorisasi Matriks Tak Negatif
Jurnal Maemaa, Saisa, & Kompuasi Vol. 3 No. Januari 07 Jurnal Maemaa, Saisa & Kompuasi Edisi Khusus Juli 007 Vol. 3, No.,, 4-46, 47-5, Januari January 07 07 47 57 nalisis Fakorisasi Mars ak Negaif bsrak
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa
BAB 2 TINJAUAN TEORITI 2.1. Pengerian-pengerian Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. edangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
Lebih terperinciKLASIFIKASI DOKUMEN TUGAS AKHIR MENGGUNAKAN ALGORITMA K-MEANS. Wulan Fatin Nasyuha¹, Husaini 2 dan Mursyidah 3 ABSTRAK
KLASIFIKASI DOKUMEN TUGAS AKHIR MENGGUNAKAN ALGORITMA K-MEANS Wulan Fain Nasyuha¹, Husaini 2 dan Mursyidah 3 1,2,3 Teknologi Informasi dan Kompuer, Polieknik Negeri Lhokseumawe, Jalan banda Aceh-Medan
Lebih terperinciMODUL PERTEMUAN KE 3. MATA KULIAH : FISIKA TERAPAN (2 sks)
Polieknik Negeri Banjarmasin 4 MODUL PERTEMUAN KE 3 MATA KULIAH : ( sks) MATERI KULIAH: Jarak, Kecepaan dan Percepaan; Gerak Lurus Berauran, Percepaan; Gerak Lurus Berauran, Gerak Lurus Berubah Berauran
Lebih terperinciJurusan Teknik Sipil Fakultas Teknik Sipil dan Perencanaan Universitas Mercu Buana MODUL PERTEMUAN KE 3. MATA KULIAH : FISIKA DASAR (4 sks)
MODUL PERTEMUAN KE 3 MATA KULIAH : (4 sks) MATERI KULIAH: Jarak, Kecepaan dan Percepaan; Gerak Lurus Berauran, Percepaan; Gerak Lurus Berauran, Gerak Lurus Berubah Berauran POKOK BAHASAN: GERAK LURUS 3-1
Lebih terperinci3. Kinematika satu dimensi. x 2. x 1. t 1 t 2. Gambar 3.1 : Kurva posisi terhadap waktu
daisipayung.com 3. Kinemaika sau dimensi Gerak benda sepanjang garis lurus disebu gerak sau dimensi. Kinemaika sau dimensi memiliki asumsi benda dipandang sebagai parikel aau benda iik arinya benuk dan
Lebih terperinciKLASIFIKASI DATA PRODUKSI PADI PULAU JAWA MENGGUNAKAN ALGORITMECLASSIFICATION VERSION 4.5 (C4.5)
KLASIFIKASI DATA PRODUKSI PADI PULAU JAWA MENGGUNAKAN ALGORITMECLASSIFICATION VERSION 4.5 (C4.5) Dwi Seyowai, Yuliana Susani, Supriyadi Wibowo Program Sudi Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciPeramalan Kebutuhan Bahan Bakar Premium di Depot Ampenan dengan Metode Hibrida Arima- Neural Network untuk Optimasi Persediaan
JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 202) ISSN: 230-928X D-94 Peramalan Kebuuhan Bahan Bakar Premium di Depo Ampenan dengan Meode Hibrida Arima- Neural Nework unuk Opimasi Persediaan Okivianis Kusumaningrum,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jenis Peneliian Jenis peneliian kuaniaif ini dengan pendekaan eksperimen, yaiu peneliian yang dilakukan dengan mengadakan manipulasi erhadap objek peneliian sera adanya konrol.
Lebih terperinciPENGGUNAAN KONSEP FUNGSI CONVEX UNTUK MENENTUKAN SENSITIVITAS HARGA OBLIGASI
PENGGUNAAN ONSEP FUNGSI CONVEX UNU MENENUAN SENSIIVIAS HARGA OBLIGASI 1 Zelmi Widyanuara, 2 Ei urniai, Dra., M.Si., 3 Icih Sukarsih, S.Si., M.Si. Maemaika, Universias Islam Bandung, Jl. amansari No.1 Bandung
Lebih terperinciKINEMATIKA GERAK DALAM SATU DIMENSI
KINEMATIKA GERAK DALAM SATU DIMENSI PENDAHULUAN Kinemaika adalah bagian dari mekanika ang membahas enang gerak anpa memperhaikan penebab benda iu bergerak. Arina pembahasanna idak meninjau aau idak menghubungkan
Lebih terperinciRelasi LOGIK FUNGSI AND, FUNGSI OR, DAN FUNGSI NOT
2 Relasi LOGIK FUNGSI ND, FUNGSI OR, DN FUNGSI NOT Tujuan : Seelah mempelajari Relasi Logik diharapkan dapa,. Memahami auran-auran relasi logik unuk fungsi-fungsi dasar ND, OR dan fungsi dasar NOT 2. Memahami
Lebih terperinciPENGUJIAN HIPOTESIS. pernyataan atau dugaan mengenai satu atau lebih populasi.
PENGUJIAN HIPOTESIS 1. PENDAHULUAN Hipoesis Saisik : pernyaaan aau dugaan mengenai sau aau lebih populasi. Pengujian hipoesis berhubungan dengan penerimaan aau penolakan suau hipoesis. Kebenaran (benar
Lebih terperinciPeramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis
JURNAL SAINS DAN NI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) D-224 Peramalan Penjualan Sepeda Moor di Jawa Timur dengan Menggunakan Model Dinamis Desy Musika dan Seiawan Jurusan Saisika,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Air merupakan kebuuhan pokok bagi seiap makhluk hidup di dunia ini ermasuk manusia. Air juga merupakan komponen lingkungan hidup yang pening bagi kelangsungan hidup
Lebih terperinciMetode Regresi Linier
Modul 1 Meode Regresi Linier Prof. DR. Maman Djauhari A PENDAHULUAN nalisis regresi linier, baik yang sederhana maupun yang ganda, elah Anda pelajari dalam maa kuliah Meode Saisika II. Dengan demikian
Lebih terperinciBAB 2 LANDASAN TEORI. Pada bagian ini diberikan beberapa definisi tentang peramalan dan teori-teori
BAB 2 LANDASAN TEORI 2.. Peramalan Pada bagian ini diberikan beberapa definisi enang peramalan dan eori-eori mengenai meode peramalan yang digunakan. 2.. Definisi Peramalan Menuru Assauri (984,p), peramalan
Lebih terperinciFaradina GERAK LURUS BERATURAN
GERAK LURUS BERATURAN Dalam kehidupan sehari-hari, sering kia jumpai perisiwa yang berkaian dengan gerak lurus berauran, misalnya orang yang berjalan kaki dengan langkah yang relaif konsan, mobil yang
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas dasar-dasar teori yang akan digunakan
BAB II LANDASAN TEORI Pada bab ini akan dibahas dasar-dasar eori yang akan digunakan dalam penulisan skripsi ini, yaiu model regresi dua level, meode penaksiran maximum likelihood, mariks parisi, kronecker
Lebih terperinciPEMODELAN ARIMAX DAN NEURAL NETWORK UNTUK PERAMALAN DAN DASAR PERENCANAAN INVESTASI NET ASSET VALUE (NAV) EQUITY DI PT. PRUDENTIAL LIFE ASSURANCE
90 Djojonegoro: PEMODELAN ARIMAX DAN NEURAL NETWORK UNTUK PERAMALAN DAN PEMODELAN ARIMAX DAN NEURAL NETWORK UNTUK PERAMALAN DAN DASAR PERENCANAAN INVESTASI NET ASSET VALUE (NAV) EQUITY DI PT. PRUDENTIAL
Lebih terperinciJurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN
Peramalan Dengan Meode Smoohing dan Verifikasi Meode Peramalan Dengan Grafik Pengendali Moving Range () (Sudi Kasus: Produksi Air Bersih di PDAM Tira Kencana Samarinda) Forecasing wih Smoohing and Verificaion
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1 Waku dan Lokasi Peneliian Peneliian ini dilakukan pada bulan Juni hingga Juli 2011 yang berlokasi di areal kerja IUPHHK-HA PT. Mamberamo Alas Mandiri, Kabupaen Mamberamo
Lebih terperinciUSULAN PENERAPAN METODE KOEFISIEN MANAJEMEN (BOWMAN S) SEBAGAI ALTERNATIF MODEL PERENCANAAN PRODUKSI PRINTER TIPE LX400 PADA PT X
USULAN ENERAAN METODE KOEISIEN MANAJEMEN (BOMAN S) SEBAGAI ALTERNATI MODEL ERENCANAAN RODUKSI RINTER TIE LX400 ADA T X Hendi Dwi Hardiman Jurusan Teknik Manajemen Indusri - Sekolah Tinggi Manajemen Indusri
Lebih terperinciBAB II PERTIDAKSAMAAN CHERNOFF
BAB II PERTIDAKSAMAAN CHERNOFF.1 Pendahuluan Di lapangan, yang menjadi perhaian umumnya adalah besar peluang dari peubah acak pada beberapa nilai aau suau selang, misalkan P(a
Lebih terperinciFIsika KTSP & K-13 KINEMATIKA. K e l a s A. VEKTOR POSISI
KTSP & K-13 FIsika K e l a s XI KINEMATIKA Tujuan Pembelajaran Seelah mempelajari maeri ini, kamu diharapkan mampu menjelaskan hubungan anara vekor posisi, vekor kecepaan, dan vekor percepaan unuk gerak
Lebih terperinciIDENTIFIKASI POLA DATA TIME SERIES
IDENTIFIKASI POLA DATA TIME SERIES Daa merupakan bagian pening dalam peramalan. Beriku adalah empa krieria yang dapa digunakan sebagai acuan agar daa dapa digunakan dalam peramalan.. Daa harus dapa dipercaya
Lebih terperinciKOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES. Abstrak
KOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES Universias Muhammadiyah Purwokero malim.muhammad@gmail.com Absrak Pada persamaan regresi linier sederhana dimana variabel dependen dan variabel independen
Lebih terperinciIII METODE PENELITIAN
III METODE PENELITIAN 3.1 Waku dan Tempa Peneliian Peneliian mengenai konribusi pengelolaan huan rakya erhadap pendapaan rumah angga dilaksanakan di Desa Babakanreuma, Kecamaan Sindangagung, Kabupaen Kuningan,
Lebih terperinciKINEMATIKA GERAK LURUS
Kinemaika Gerak Lurus 45 B A B B A B 3 KINEMATIKA GERAK LURUS Sumber : penerbi cv adi perkasa Maeri fisika sanga kenal sekali dengan gerak benda. Pada pokok bahasan enang gerak dapa imbul dua peranyaan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiaan memperkirakan apa yang akan erjadi pada masa yang akan daang. Ramalan adalah sesuau kegiaan siuasi aau kondisi yang diperkirakan akan erjadi
Lebih terperinciPerbandingan Metode Winter Eksponensial Smoothing dan Metode Event Based untuk Menentukan Penjualan Produk Terbaik di Perusahaan X
JURAL SAIS DA SEI ITS Vol. 6, o.1, (2017) 2337-3520 (2301-928X Prin) A 1 Perbandingan Meode Winer Eksponensial Smoohing dan Meode Even Based unuk Menenukan Penjualan Produk Terbaik di Perusahaan X Elisa
Lebih terperinciSuatu Catatan Matematika Model Ekonomi Diamond
Vol. 5, No.2, 58-65, Januari 2009 Suau aaan Maemaika Model Ekonomi Diamond Jeffry Kusuma Absrak Model maemaika diberikan unuk menjelaskan fenomena dalam dunia ekonomi makro seperi modal/kapial, enaga kerja,
Lebih terperinciPENDUGAAN PARAMETER DERET WAKTU HIDDEN MARKOV HAMILTON *
PENDUGAAN PARAMEER DERE WAKU HIDDEN MARKOV HAMILON * BERLIAN SEIAWAY, YANA ADHARINI DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor Jl Merani, Kampus IPB
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi dan Waku Peneliian Peneliian ini dilaksanakan pada kasus pengolahan ikan asap IACHI Peikan Cia Halus (PCH) yang erleak di Desa Raga Jaya Kecamaan Ciayam, Kabupaen Bogor,
Lebih terperinciPEMODELAN VOLATILITAS UNTUK PENGHITUNGAN VALUE AT RISK (VaR) MENGGUNAKAN FEED FORWARD NEURAL NETWORK DAN ALGORITMA GENETIKA. Hasbi Yasin 1, Suparti 2
Pemodelan Volailias (Hasbi Yasin) PEMODELAN VOLATILITAS UNTUK PENGHITUNGAN VALUE AT RISK (VaR) MENGGUNAKAN FEED FORWARD NEURAL NETWORK DAN ALGORITMA GENETIKA Hasbi Yasin 1, Supari 1 Dosen Jurusan Saisika
Lebih terperinciBAB 2 TINJAUAN TEORITIS. dari bahasa Yunani yang berarti Demos adalah rakyat atau penduduk,dan Grafein
BAB 2 TINJAUAN TEORITIS 2.1 Pengerian Demografi Keadaan penduduk sanga era kaiannya dengan demografi. Kaa demografi berasal dari bahasa Yunani yang berari Demos adalah rakya aau penduduk,dan Grafein adalah
Lebih terperinciBAB III METODE PENELITIAN
A III METODE PEELITIA Salah sau komponen peneliian yang mempunyai ari pening dalam kaiannya dengan proses sudi secara komprehensif adalah komponen meode peneliian. Meode peneliian menjelaskan bagaimana
Lebih terperinciBAHAN AJAR GERAK LURUS KELAS X/ SEMESTER 1 OLEH : LIUS HERMANSYAH,
BAHAN AJAR GERAK LURUS KELAS X/ SEMESTER 1 OLEH : LIUS HERMANSYAH, S.Si NIP. 198308202011011005 SMA NEGERI 9 BATANGHARI 2013 I. JUDUL MATERI : GERAK LURUS II. INDIKATOR : 1. Menganalisis besaran-besaran
Lebih terperinciBAB III HASIL DAN PEMBAHASAN. A. Permasalahan Nyata Penyebaran Penyakit Tuberculosis
BAB III HASIL DAN PEMBAHASAN A. Permasalahan Nyaa Penyebaran Penyaki Tuberculosis Tuberculosis merupakan salah sau penyaki menular yang disebabkan oleh bakeri Mycobacerium Tuberculosis. Penularan penyaki
Lebih terperinciBAB I PENDAHULUAN. Perekonomian dunia telah menjadi semakin saling tergantung pada
BAB I PENDAHULUAN A. Laar Belakang Masalah Perekonomian dunia elah menjadi semakin saling erganung pada dua dasawarsa erakhir. Perdagangan inernasional merupakan bagian uama dari perekonomian dunia dewasa
Lebih terperinciIII. KERANGKA PEMIKIRAN
III. KERANGKA PEMIKIRAN 3.1. Kerangka Teoriis 3.1.1 Daya Dukung Lingkungan Carrying capaciy aau daya dukung lingkungan mengandung pengerian kemampuan suau empa dalam menunjang kehidupan mahluk hidup secara
Lebih terperinciFISIKA. Kelas X GLB DAN GLBB K13 A. GERAK LURUS BERATURAN (GLB)
K3 Kelas X FISIKA GLB DAN GLBB TUJUAN PEMBELAJARAN Seelah mempelajari maeri ini, kamu diharapkan memiliki kemampuan beriku.. Memahami konsep gerak lurus berauran dan gerak lurus berubah berauran.. Menganalisis
Lebih terperinciMuhammad Firdaus, Ph.D
Muhammad Firdaus, Ph.D DEPARTEMEN ILMU EKONOMI FEM-IPB 010 PENGERTIAN GARIS REGRESI Garis regresi adalah garis yang memplokan hubungan variabel dependen (respon, idak bebas, yang dipengaruhi) dengan variabel
Lebih terperinciJurusan Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Jember ABSTRAK
PERBANDINGAN METODE DES (DOUBLE EXPONENTIAL SMOOTHING) DENGAN TES (TRIPLE EXPONENTIAL SMOOTHING) PADA PERAMALAN PENJUALAN ROKOK (STUDI KASUS TOKO UTAMA LUMAJANG) 1 Fajar Riska Perdana (1110651142) 2 Daryano,
Lebih terperinciBAB 2 LANDASAN TEORI. Pengangguran atau tuna karya merupakan istilah untuk orang yang tidak mau bekerja
BAB 2 LANDASAN TEORI 2.1 Pengerian Pengangguran Pengangguran aau una karya merupakan isilah unuk orang yang idak mau bekerja sama sekali, sedang mencari kerja, bekerja kurang dari dua hari selama seminggu,
Lebih terperinciPENGARUH PENGEMBANGAN KARYAWAN TERHADAP MOTIVASI DAN PRESTASI KERJA KARYAWAN (Studi pada karyawan tetap PT PG Tulangan Sidoarjo)
PENGARUH PENGEMBANGAN KARYAWAN TERHADAP MOTIVASI DAN PRESTASI KERJA KARYAWAN (Sudi pada karyawan eap PT PG Tulangan Sidoarjo) Niken Dwi Okavia Heru Susilo Moehammad Soe`oed Hakam Fakulas Ilmu Adminisrasi
Lebih terperinciAnalisis Gerak Osilator Harmonik Dengan Gaya pemaksa Bebas Menggunakan Metode Elemen Hingga Dewi Sartika junaid 1,*, Tasrief Surungan 1, Eko Juarlin 1
Analisis Gerak Osilaor Harmonik Dengan Gaya pemaksa Bebas Menggunakan Meode Elemen Hingga Dewi Sarika junaid 1,*, Tasrief Surungan 1, Eko Juarlin 1 1 Jurusan Fisika FMIPA Universias Hasanuddin, Makassar
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN. Disini tujuan akhir yang ingin dicapai penulis adalah pembuatan suatu aplikasi
BAB 5 HASIL DAN PEMBAHASAN Disini ujuan akhir yang ingin dicapai penulis adalah pembuaan suau aplikasi program yang digunakan unuk membanu perusahaan dalam menenukan jumlah produksi demand. Disini ada
Lebih terperinciPENJADWALAN PEMBUATAN BOX ALUMININUM UNTUK MEMINIMUMKAN MAKESPAN (Studi Kasus di Perusahaan Karoseri ASN)
B PENJADWALAN PEMBUATAN BOX ALUMININUM UNTUK MEMINIMUMKAN MAKESPAN (Sudi Kasus di Perusahaan Karoseri ASN) Firiya Gemala Dewi, Bobby O.P. Soepangka, Nurhadi Siswano Program Pasca Sarjana Magiser Manajemen
Lebih terperinciRANK DARI MATRIKS ATAS RING
Dela-Pi: Jurnal Maemaika dan Pendidikan Maemaika ISSN 089-855X ANK DAI MATIKS ATAS ING Ida Kurnia Waliyani Program Sudi Pendidikan Maemaika Jurusan Pendidikan Maemaika dan Ilmu Pengeahuan Alam FKIP Universias
Lebih terperinciSekilas Pandang. Modul 1 PENDAHULUAN
Modul 1 Sekilas Pandang Drs. Irlan Soelaeman, M.Ed. S PENDAHULUAN uau hari, saya dan keluarga berencana membawa mobil pergi ke Surabaya unuk mengunjungi salah seorang saudara. Sau hari sebelum keberangkaan,
Lebih terperinci