Seminar Nasional Teknologi 2007 (SNT 2007) ISSN : Yogyakarta, 24 November 2007
|
|
- Suharto Atmadja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Implementasi Adaptive Neuro Fuzzy Inference System Pada Prediksi Pembayaran Pinjaman Berdasar Analisis Rencana Pembiayaan Nasabah ( Studi Kasus : BMT XYZ ) Emha Taufiq Luthfi STMIK AMIKOM Yogyakarta emha_tl@yahoo.com ABSTRACT Loan payment prediction based on analysis of customer credit plan is very important for banks or other financial companies. Loan payment prediction is required to avoid loan payment problems. Many factors can strengthen or weaken the loan payment performance and customer credit rating. An application of an adaptive neuro fuzzy inference system has been developed to predict customer loan payment based on analysis of customer credit plan. This research utilizes credit data from Baitul Maal Wat Tamwil (BMT) XYZ and the developed creates a prediction of performance of customers credit plan using ANFIS method The experimental results show that the inference system can give a prediction for customer credit plan by producing its collectability value. Having 1477 tested data, the results show that the system achieves accuracy in 94,92214 %. Keywords : Credit Prediction, Adaptive Neuro Fuzzy Inference System, Collectibility 1. PENDAHULUAN Data keuangan yang terdapat dalam perbankan dan lembaga keuangan lain biasanya sangat lengkap dan memiliki kualitas tinggi. Keberadaan data tersebut sangat bermanfaat selain dalam operasional proses transaksi juga menjadi fasilitas melakukan berbagai model analisis data secara sistematis. Sebagai contoh, dalam merancang dan membangun data warehouse untuk analisis data multidimensi. Data dapat pula dimanfaatkan dalam melakukan klasifikasi atau pengklusteran terhadap nasabah untuk mengidentifikasi kelompok nasabah dan target pemasaran. Selain itu data dapat dimanfaatkan untuk melakukan prediksi pembayaran pinjaman dan analisis rencana pembiayaan nasabah. Prediksi pembayaran pinjaman dan analisis rencana pembiayaan nasabah sangat penting bagi bank dan lembaga keuangan lain. Banyak faktor dapat memperkuat atau memperlemah kemampuan pembayaran pinjaman dan rating pembiayaan nasabah. Data dapat dimanfaat untuk mengidentifikasi faktor penting yang perlu diperhatikan serta faktor yang dapat diabaikan dapat pemberian pinjaman atau pembiayaan. Misal, rasio nilai pinjaman, periode pinjaman, rasio pembayaran dan pendapatan, level pendapatan nasabah, level pendidikan nasabah, daerah tempat tinggal, sejarah pinjaman atau pembiayaan, dan lainnya. Penelitian ini mencoba memanfaatkan data pembiayaan yang ada di obyek penelitian serta menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk membentuk model prediksi pembayaran pinjaman berdasar analisis rencana pembiayaan oleh nasabah. D 1
2 2. PERANCANGAN 2.1. Deskripsi Sistem Sistem dibangun terdiri 2 bagian dengan fungsi dan pengguna yang berbeda. 1. Sistem Pemodelan ANFIS Berfungsi menghasilkan sistem inferensi samar menggunakan metode ANFIS model samar Sugeno orde 0 dengan memanfaatkan pasangan data masukan keluaran untuk melakukan pelatihan terhadap sistem inferensi samar. Data pelatihan merupakan data pembiayaan yang sudah terlaksana sebelumnya. Pengguna dari sistem pemodelan ANFIS ini adalah ahli sistem ANFIS. 2. Sistem Penilaian Rencana Pembiayaan Nasabah Sistem ini merupakan sistem yang diberikan kepada pengguna akhir yaitu petugas pembiayaan BMT XYZ. Sistem ini berfungsi menghasilkan nilai rencana pembiayaan yang diajukan oleh nasabah berdasarkan parameter masukan Pra Proses Tahap pra proses dilaksanakan untuk mendapatkan pemahaman terhadap proses bisnis dari pembiayaan yang dilaksanakan oleh obyek penelitian yaitu BMT XYZ. Sistem dan prosedur persetujuan pemberian pembiayaan tersebut terlihat pada gambar 1. PRA PERMOHONAN PEMBIAYAAN SYARAT DI LENGKAPI SYARAT PRA PERMOHONAN LENGKAP Tidak Ya ON THE SPOT / KUNJUNGAN - TEMPAT TINGGAL - TEMPAT USAHA - TEMPAT AGUNAN - INSTANSI TERKAIT - DLL ANALISIS PEMBIAYAAN LAPORAN PENILAIAN PEMBIAYAAN LOAN COMMITEE WEWENANG KANTOR CABANG Ya Tidak WEWENANG KANTOR PUSAT/DEWAN PENGAWAS INFORMASI PUTUSAN PADA KANTOR CABANG Tidak Disetujui Ya PERIKATAN AGUNAN DAN PEMBIAYAAN DIREALISIR STOP SELESAI Gambar 1 Sistem dan Prosedur Persetujuan Pemberian Pembiayaan D 2
3 2.3. Akuisisi Data Proses akuisisi data dilaksanakan untuk mendapatkan data untuk membangun jaringan ANFIS. Dipilih 4 atribut yang digunakan dalam memberikan rekomendasi atau keputusan persetujuan pembiayaan yang digunakan sebagai batasan untuk perancangan sistem, yaitu Nilai Pinjaman, Karakter, Dana Aman dan Prosentase Jaminan terhadap Pinjaman Perancangan Sistem Sistem Pemodelan ANFIS Pembagian Data Untuk Pembelajaran dan Checking Digunakan 1477 data nasabah pembiayaan yang dibagi menjadi 739 data pelatihan diambil dari baris data ganjil dan 738 baris data genap digunakan sebagai data checking dalam membentuk model ANFIS Penentuan Jumlah Fungsi Keanggotaan Didefinisikan 3 fungsi keanggotaan, yaitu : rendah, sedang dan tinggi untuk keseluruhan 4 batasan yang ada. Dicoba pula jumlah fungsi keanggotaan berbeda Penentuan Tipe Fungsi Keanggotaan Dicoba beberapa tipe fungsi keanggotaan yaitu fungsi keanggotaan segitiga, trapesium, gaussian, dan lonceng Penentuan Fungsi Kesalahan Fungsi kesalahan digunakan untuk mengukur tingkat kesalahan antara keluaran ANFIS dengan keluaran diharapkan. Digunakan RMSE (Root Mean Square Error) dengan persamaan yang mana d x merupakan keluaran diharapkan dan x k merupakan keluaran dari ANFIS dan n merupakan jumlah pasangan data Penentuan Metode Optimalisasi Digunakan metode hibrid yaitu penggabungan antara least square estimator dan back propagation Penentuan Jumlah Epochs dan Error Goal Jumlah maksimum iterasi diatur sebesar 1000 iterasi adalah Penentuan Sistem Inferensi Samar Awal Tipe Sistem inferensi awal dibuat dan digunakan memiliki tipe sugeno orde 0 dengan jumlah masukan dari data diberikan, jumlah aturan samar didapat dari kuadrat jumlah fungsi keanggotaan terhadap jumlah masukan dengan tipe sesuai parameter tipe fungsi keanggotaan diberikan. Proses defuzzifikasi digunakan metode bobot rata-rata (weighted average). Terdapat 1 keluaran konstan (tipe Sugeno orde 0) Proses Pelatihan ANFIS Proses pelatihan ANFIS dilaksanakan dengan metode optimalisasi hybrid. Gambar 2 menujukan arsitektur jaringan ANFIS yang dilatih. Pada langkah maju parameter konsekuen pada layer 4 akan diperbaiki dengan metode least squares estimator, dan pada langkah mundur dengan back propagation parameter premis pada layer 1 akan diperbaiki. D 3
4 Layer 1 Layer 4 x A 1 A 2 Layer 2 Layer 3 W 1 W 1 x y z x y z W 1f 1 y B 1 B 2 W 2 W 2 W 2f 2 f x y z W nf n z C 1n W n W n C 2n Gambar 2 Arsitektur Jaringan ANFIS Evaluasi Sistem Inferensi Samar Akhir Dilaksanakan dengan memberikan kembali data pelatihan dan data checking terhadap sistem inferensi samar didapat dari pelatihan Sistem Penilaian Rencana Pembiayaan Nasabah Sistem penilaian rencana pembiayaan nasabah memanfaatkan sistem inferensi samar dari sistem pemodelan ANFIS. Parameter masukan yang harus diberikan pengguna adalah Jumlah Pinjaman, Jumlah Angsuran, Periode Angsuran, Pendapatan Per Periode, Karakter Nasabah, dan Nilai Jaminan. Keseluruhan parameter tersebut digunakan untuk membentuk 4 batasan yang digunakan sebagai masukan sistem inferensi samar yaitu : 1. Nilai Pinjaman : Didapat dari masukan dibagi nilai pinjaman tertinggi data pelatihan. 2. Karakter Nasabah : Didapat dari masukan karakter nasabah yang disimbolkan secara numerik yaitu 2 untuk baik, 1 untuk sedang dan 0 untuk kurang. 3. Dana Aman : Didapatkan dari pendapatan per periode angsuran. Kemudian simbolkan secara numerik, yaitu 2 jika dana aman lebih dari nilai angsuran, 1 dana aman lebih dari atau sama dengan 0 tetapi kurang dari nilai angsuran dan 0 jika dana aman negatif 4. Nilai Persentase Jaminan : Didapat nilai jaminan * 100 %. Selanjutnya disimbolkan secara numerik yaitu 2 untuk nilai lebih dari atau sama dengan 75 %, 1 jika nilai lebih dari 0 % tetapi kurang dari 75 %, 0 jika tidak ada jaminan Evaluasi Dilaksanakan untuk memastikan bahwa model ANFIS dibangun telah mencapai tujuan Deployment Tahap deployment merupakan tahap akhir penelitian yaitu menyajikan model ANFIS dibangun kepada end user yaitu BMT XYZ. 3. HASIL DAN PEMBAHASAN D 4
5 3.1. Pengujian Sistem Pemodelan ANFIS Pengujian sistem pemodelan ANFIS dilaksanakan untuk mendapatkan sistem inferensi samar dengan kinerja terbaik ditandai dengan diperolehnya nilai RMSE terkecil dalam proses pelatihan. Pengujian dilaksanakan melalui pelatihan ANFIS dengan kombinasi beberapa parameter pelatihan yaitu Jumlah Fungsi Keanggotaan, Tipe Fungsi Keanggotaan, Jumlah Epochs, Error Goal. Tabel 4. Contoh Data Pembiayaan NASABAH PINJAMA N BAGI HASIL SATUA N WAKTU JML ANG S PENDAPATA N KARAKTE R JAMINA N NASABAH B BAIK NASABAH B BAIK NASABAH B BAIK NASABAH B BAIK NASABAH B BAIK NASABAH B BAIK NASABAH B BAIK 0 1 NASABAH B BAIK NASABAH B SEDANG KOLEKTIBILIT AS Tabel 5. Contoh Proses Pengolahan Data Pembiayaan NASABAH TOTAL ANGSURAN = DANA AMAN = PINJAMAN = PENDAP KARAKTE KOLEKTI PINJAMAN + ATAN TOTAL PENDAPATAN JAMINAN R BILITAS BAGI HASIL PINJAMAN ANGSURAN /JML NASABAH BAIK NASABAH BAIK NASABAH BAIK NASABAH BAIK NASABAH BAIK NASABAH BAIK NASABAH BAIK 0 1 NASABAH BAIK NASABAH SEDANG Tabel 6. Contoh Data Format PINJAMAN LEVEL_KARAKTER LEVEL_DANA LEVEL_JAMINAN KOLEKTIBILITAS AMAN D 5
6 Pengujian Pertama Sistem Pemodelan ANFIS Dilaksanakan untuk kombinasi nilai parameter Jumlah Fungsi Keanggotaan 3, Tipe Fungsi Keanggotaan gbellmf, Jumlah Epochs 1000 dan Error Goal 0. Gambar 3 Antarmuka Pelatihan ANFIS Pengujian Pertama Tabel 7 Status Error Pelatihan ANFIS Pengujian Pertama Data Keseluruhan Data Training Data Checking Tipe MF Jumlah MF RMSE RMSE RMSE gbellmf Hasil Beberapa Pengujian Sistem Pemodelan ANFIS Lain Dilaksanakan pula pengujian dengan tanpa menggunakan data checking. Status error pelatihan ANFIS keseluruhan pengujian dapat dilihat dalam tabel 8. Tabel 8 Status Error Pelatihan ANFIS Pengujian Keseluruhan Pengujian Tipe Fungsi Keanggotaan Jumlah Fungsi Keanggotaan Pelatihan Dengan Data Checking Pelatihan Dengan Tanpa Data Checking Data Data Data Data Data Keseluruhan Training Checking Keseluruhan Training RMSE RMSE RMSE RMSE RMSE D 6
7 Gbellmf Gbellmf Trimf Trimf Trapmf Trapmf Gaussmf Gaussmf Dari tabel 8 dapat dilihat beberapa hal yaitu : 1. RMSE proses pelatihan dengan dan tanpa menggunakan data checking tidak terlihat perbedaan bahkan cenderung sama. 2. RMSE jumlah fungsi keanggotaan 2 dan 3 secara keseluruhan terlihat nilai error untuk penggunaan jumlah fungsi keanggotaan 3 lebih rendah. Hal tersebut lebih disebabkan oleh karakteristik data yang digunakan dalam proses pelatihan. 3. RMSE tipe fungsi keanggotaan trimf jumlah fungsi keanggotaan 3 memiliki nilai error terkecil yaitu Penggunaan sistem inferensi samar akhir hasil pelatihan dengan kombinasi parameter ini seharusnya akan memberikan kinerja terbaik Pengujian Sistem Penilaian Rencana Pembiayaan Nasabah Pengujian sistem penilaian rencana pembiayaan nasabah dilakukan untuk beberapa sistem inferensi samar akhir hasil dari pemodelan ANFIS. Tabel 9 Data Pengujian Sistem Penilaian Rencana Pembiayaan Nasabah Data Ke Jumlah Pinjaman Jumlah Angsuran Periode Pendapatan Per Periode Karakter Dana Aman Jaminan Kolektibilitas Data Bulan Kurang Kurang (0) Data Hari Kurang Kurang (0) Data Hari Baik 0 0 Sedang (1) Data Bulan Baik Sedang (1) Data Bulan Baik Baik(2) Data Bulan Baik Baik (2) Tabel 10 Data Pengujian Sistem Penilaian Rencana Pembiayaan Nasabah D 7
8 Sistem Jumlah Tipe Fungsi RMSE Data Kolektibilita Kolektibilita Inferensi Keanggotaan Training s s Samar Fungsi Ke Keanggotaan Target Pengujian 1 3 Gbellmf Data e-007 Data e-006 Data Data Data Data trimf Data Data Data Data Data Data trapmf Data Data Data Data Data Data gaussmf Data e- 008 Data e- 008 Data Data Data Data Dari hasil pengujian pada tabel 10 dapat dilihat hal-hal sebagai berikut : 1. Nilai kolektibilitas atau prediksi pembiayaan nasabah hasil pengujian secara keseluruhan mendekati nilai kolektibilitas target. 2. Semakin tinggi nilai kolektibilitas atau prediksi pembiayaan nasabah maka kemungkinan tingkat kelancaran penyelesaian pembiayaan akan semakin tinggi. Contoh prediksi pembiayaan nasabah menggunakan sistem inferensi samar akhir dengan tipe fungsi keanggotaan trimf, dan jumlah fungsi keanggotaan 3, seperti terlihat dalam gambar 9. D 8
9 Gambar 9 Pengujian Penilaian Rencana Pembiayaan Nasabah Data 6 4. KESIMPULAN Dari hasil penelitian, perancangan dan implementasi yang telah dilaksanakan dapat disimpulkan : 1. Sistem Neuro-Fuzzy dapat digunakan untuk membangun sebuah sistem inferensi samar dengan memanfaatkan karakteristik pasangan data masukan-keluaran yang telah ada. 2. Karakteristik dari data yang digunakan untuk pelatihan sistem neuro-fuzzy akan mempengaruhi sistem inferensi samar akhir yang didapat yang pada akhirnya mempengaruhi akurasi prediksi. 3. Selain data pelatihan maka kombinasi parameter lain dalam pelatihan sistem ANFIS seperti jumlah fungsi keanggotaan, tipe fungsi keanggotaan akan mempengaruhi pula sistem inferensi samar akhir yang diperoleh yang juga berpengaruh terhadap akurasi prediksi. 4. RMSE (Root Mean Squared Error) tidak cukup menunjukan kinerja sistem inferensi samar, dibutuhkan indikator lain untuk menunjukan kinerja sistem. 5. Sistem Neuro-Fuzzy model ANFIS untuk prediksi pembayaran pinjaman dibangun cukup memberikan prediksi nilai kolektibilitas yang akurat. DAFTAR PUSTAKA Abadi, I; Aisjah, A.S; Riftyanto N.S Aplikasi Metode Neuro-Fuzzy Pada Sistem Pengendali Antisurge Kompresor. Jurnal Teknik Elektro Vol. 6, No.2, September Jurusan Teknik Elektro, Fakultas Teknologi Industri Universitas Kristen Petra Basuki, A Modul Pelatihan Analisis Kredit Tingkat Dasar. Yogyakarta. Pusat Training Perbankan Yogyakarta Irwan, Implementasi Jaringan Syaraf Tiruan Multi-Layer Perceptron Feed Forward Dengan Hidden Layer Tunggal pada Prakiraan Cuaca. Yogyakarta. Program Pasca Sarjana Program Studi Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Gadjah Mada Jang, JSR; Sun, CT dan Mizutani, E Neuro-Fuzzy and Soft Computing. Singapore. Pearson Education D 9
10 Keleman, A; Kozma, Robert dan Liang, Y Neuro-Fuzzy Classification for Job Assignment Problem. edu/paper/ keleman02.pdf. Diakses tanggal 21 januari 2007 Kusumadewi, S Artificial Intelligence : Teknik dan Aplikasinya. Yogyakarta. Graha Ilmu Kusumadewi, S dan Hartati, S Neuro-Fuzzy : Integrasi Sistem Fuzzy dan Jaringan Syaraf. Yogyakarta. Graha Ilmu Mutaqien, I BMT dan Permasalahan Pembiayaan. index.php?satoewarna=index&winoto=base&action=listmenu&skins=1&id=299&tkt=2. Diakses tanggal 3 mei 2007 Yohanes, TDS; Thiang dan Suntono, C Aplikasi Sistem Neuro-Fuzzy untuk Pengenalan Kata. Jurnal Teknik Elektro Vol. 2, No. 2, September Jurusan Teknik Elektro, Fakultas Teknologi Industri Universitas Petra Klir, George J dan Yuan, S Fuzzy Sets and Fuzzy Logic, Theory and Applications. New Jersey United State of Americe. Prentice Hall International Sumiyanto, A Analisa Kelayakan Pembiayaan Pada BMT. &tkt=2. Diakses 3 mei 2007 Rahayu, T.R Sistem Peramalan Beban Listrik Menggunakan Jaringan Syaraf Tiruan. Yogyakarta. Program Pasca Sarjana Program Studi Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Gadjah Mada Redjeki, S Prediksi Tingkat Inflasi Menggunakan Pendekatan Jaringan Syaraf Tiruan. Yogyakarta. Program Pasca Sarjana Program Studi Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Gadjah Mada Wang, L.X A Course In Fuzzy Systems And Control. United States of America. Prentice Hall Inc D 10
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 31-40 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS DATA RUNTUN WAKTU DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Lebih terperinciPRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM
ISSN 1412 3762 http://jurnal.upi.edu/electrans ELECTRANS, VOL.11, NO.2, SEPTEMBER 2012, 18-26 PRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY
Lebih terperinciMODEL PENENTUAN GURU BERPRESTASI BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)
MODEL PENENTUAN GURU BERPRESTASI BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Wanti Rahayu 1 1 Mahasiswa Universitas Indraprasta PGRI Email : 1 wanti.reiku@gmail.com Abstrak- Guru merupakan aspek
Lebih terperinciPREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo)
PREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo) Ifan Wiranto, Wahab Musa, Wrastawa Ridwan Jurusan Teknik Elektro
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciBAB I PENDAHULUAN. Indonesia. Menurut Undang-Undang No.25 Tahun 1992 koperasi Indonesia adalah
BAB I PENDAHULUAN A. Latar Belakang Koperasi merupakan salah satu badan usaha yang sudah lama dikenal di Indonesia. Menurut Undang-Undang No.25 Tahun 1992 koperasi Indonesia adalah badan usaha yang beranggotakan
Lebih terperinciJurnal Coding, Sistem Komputer Untan Volume 04, No. 3 (2016), hal ISSN: X
SISTEM PENDUKUNG KEPUTUSAN PREDIKSI CURAH HUJAN DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (Studi Kasus: Kota Pontianak) [1] Ruspina Ningsih, [2] Beni Irawan, [3] Fatma Agus Setyaningsih [1][3]
Lebih terperinciMETODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) UNTUK PREDIKSI TINGKAT LAYANAN JALAN
METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) UNTUK PREDIKSI TINGKAT LAYANAN JALAN Noor Azizah Fakultas Sains dan Teknologi, UNISNU Jepara azizah.simply@gmail.com ABSTRACT Level of service indicates
Lebih terperinciPREDIKSI TINGGI MUKA AIR BENDUNGAN RIAM KANAN MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Technologia Vol 9, No.1, Januari Maret 2018 11 PREDIKSI TINGGI MUKA AIR BENDUNGAN RIAM KANAN MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Yusri Ikhwani Fakultas Teknologi Informasi Universitas Islam
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 terperinciPREDIKSI PERMINTAAN KREDIT MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI SAMUEL ANTHONIUS MADUWU
PREDIKSI PERMINTAAN KREDIT MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI SAMUEL ANTHONIUS MADUWU 091402118 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
Lebih terperinciAPLIKASI ADAPTIVE NEURO FUZZY INFERENCE SYSTEM PEMILIHAN SISWA MENGIKUTI LOMBA OLIMPIADE MATEMATIKA
APLIKASI ADAPTIVE NEURO FUZZY INFERENCE SYSTEM PEMILIHAN SISWA MENGIKUTI LOMBA OLIMPIADE MATEMATIKA Hendri STMIK Nusa Mandiri Jakarta, Hendri.hed@bsi.ac.id ABSTRACT Currently for the selection of students
Lebih terperinciIJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: Perancangan Model Matematis Untuk Penentuan Jumlah Produksi di PT. XZY
IJCCS, Vol.x, No.x, July xxxx, pp. ~5 ISSN: 978-52 Perancangan Model Matematis Untuk Penentuan Jumlah Produksi di PT. XZY Dian Eko Hari Purnomo Universitas Sarjanawiyata Tamansiswa, Program Studi Teknik
Lebih terperinciEVALUASI KEMAJUAN STUDI MAHASISWA DENGAN PENDEKATAN BASIS DATA FUZZY
EVALUASI KEMAJUAN STUDI MAHASISWA DENGAN PENDEKATAN BASIS DATA FUZZY Hari Murti 1, Eko Nur Wahyudi 2 1,2 Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Universitas Stikubank e-mail: 1 hmurti076@gmail.com,
Lebih terperinciPeningkatan Akurasi Dalam Prakiraan Beban Listrik Jangka Pendek Menggunakan Data Temperatur
Peningkatan Akurasi Dalam Prakiraan Beban Listrik Jangka Pendek Menggunakan Data Temperatur Imaad Al-Mutawakkil*, Dian Yayan Sukma** Jurusan Teknik Elektro Fakultas Teknik Universitas Riau Kampus Binawidya
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Melihat kondisi sebagian besar masyarakat Indonesia saat ini yang mengalami banyak tekanan baik dari segi ekonomi, politik, pekerjaan dan sebagainya, menyebabkan terjadinya
Lebih terperinciPerbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca
NATURALA Journal of Scientific Modeling & Computation, Volume 1 No.1 2013 7 ISSN 23030135 Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca Candra Dewi 1, M. Muslikh
Lebih terperinciImplementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk Peramalan Pemakaian Air di Perusahaan Daerah Air Minum Tirta Moedal Semarang
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Implementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk
Lebih terperinciMODEL KONTROL PREDIKSI BERBASIS ANFIS PADA HEAT EXCHANGER
MODEL KONTROL PREDIKSI BERBASIS ANFIS PADA HEAT EXCHANGER Ruslim Jurusan Teknik Elektro, Fakultas Teknik, Universitas Borneo Tarakan ruslim_s@yahoo.co.id ABSTRAKS Model dinamik dari sistem Heat Exchanger
Lebih terperinciIDENTIFIKASI TIGA JENIS BUNGA IRIS MENGGUNAKAN ANFIS
IDENTIFIKASI TIGA JENIS BUNGA IRIS MENGGUNAKAN ANFIS Abdul Kadir Program Pascasarjana Teknik Elektro Universitas Gadjah Mada, Yogyakarta E-mail: akadir@mti.ugm.ac.id Abstract This paper was based on our
Lebih terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
Lebih terperinciANALISIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM SEBAGAI METODE KENDALI PADA MESIN PENCAMPUR ZAT CAIR
ANALISIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM SEBAGAI METODE KENDALI PADA MESIN PENCAMPUR ZAT CAIR ANALYSIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM AS CONTROL METHOD ON LIQUID MIXING MACHINE Marzuqi Faladina
Lebih terperinciPRAKIRAAN PENGGUNAAN BEBAN LISTRIK JANGKA PENDEK PADA GKB 2 UMM MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI
PRAKIRAAN PENGGUNAAN BEBAN LISTRIK JANGKA PENDEK PADA GKB 2 UMM MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Strata
Lebih terperinciPENILAIAN PROPERTI MENGGUNAKAN METODE ANFIS
PENILAIAN PROPERTI MENGGUNAKAN METODE ANFIS Lala Nilawati 1), Mochamad Wahyudi 2) 1) Manajemen Informatika, AMIK BSI Jakarta Jl. R.S Fatmawati No. 24 Pondok Labu, Jakarta Selatan lala.lni@bsi.ac.id 2)
Lebih terperinciALGORITMA GENETIKA UNTUK OPTIMASI STRUKTUR ANFIS
ALGORITMA GENETIKA UNTUK OPTIMASI STRUKTUR ANFIS Ariesta Damayanti 1), Rudy Cahyadi 2) 1) Teknik Informatika STMIK AKAKOM Yogyakarta, 2) Politeknik Negeri Media Kreatif Jakarta 1) Jl. Janti 143 Yogyakarta,
Lebih terperinciKode/SKS : TEL 212/2 Prasyarat : -
Nama MatakuIiah : Teknik Neuro Fuzzy Kode/SKS : TEL 212/2 Prasyarat : - Status Mata Kuliah : Wajib Umum Deskripsi Singkat Mata Kuliah : Mata kuliah Teknik Neuro Fuzzy mempelajari penerapan kecerdasan dan
Lebih terperinciSKRIPSI. Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Strata I Teknik Elektro Universitas Muhammadiyah Malang.
PRAKIRAAN PENGGUNAAN JUMLAH AKOMODASI KAPAL FERRY PADA PELABUHAN PT ASDP INDONESIA FERRY (PERSERO) CABANG KETAPANG-GILIMANUK DENGAN PENERAPAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI
Lebih terperinciPenerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih Niska Ramadani Dosen Universitas Dehasen Bengkulu niskaramadani@gmail.com ABSTRAK Pertumbuhan penduduk harus
Lebih terperinciPERKIRAAN BEBAN LISTRIK JANGKA PENDEK DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
ISSN : 1978-6603 PERKIRAAN BEBAN LISTRIK JANGKA PENDEK DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Sarjon Defit Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang, Sumatera Barat Telp.
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Di era modern seperti saat ini, energi listrik menjadi salah satu kebutuhan dasar dalam kehidupan masyarakat. Berbagai peralatan rumah tangga maupun industri saat ini
Lebih terperinciANFIS DENGAN MEMBERSHIP FUNCTION UNTUK PREDIKSI CURAH HUJAN PADA DATA RENTET WAKTU MULTIVARIATE
Technologia Vol 9, No.1, Januari Maret 2018 18 ANFIS DENGAN MEMBERSHIP FUNCTION UNTUK PREDIKSI CURAH HUJAN PADA DATA RENTET WAKTU MULTIVARIATE Lilis Anggraini Fakultas Teknologi Informasi Universitas Islam
Lebih terperinciPENGARUH IPK DAN MOTIVASI DALAM MEMPREDIKSI KETEPATAN WAKTU KELULUSAN MAHASISWA DENGAN MENGGUNAKAN SISTEM PAKAR BERBASIS ADAPTIVE NEURO FUZZY
Seminar Nasional Sistem Informasi Indonesia, 2-4 Desember 2013 PENGARUH IPK DAN MOTIVASI DALAM MEMPREDIKSI KETEPATAN WAKTU KELULUSAN MAHASISWA DENGAN MENGGUNAKAN SISTEM PAKAR BERBASIS ADAPTIVE NEURO FUZZY
Lebih terperinciSIMULASI APLIKASI ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM) TIRUAN PID PADA PENGENDALIAN TINGGI PERMUKAAN AIR
SIMULASI APLIKASI ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM) TIRUAN PID PADA PENGENDALIAN TINGGI PERMUKAAN AIR Oyas Wahyunggoro dan Gideon Charles Teknik Elektro UGM, Yogyakarta email : oyas@mti.gadjahmada.edu
Lebih terperinciPERBANDINGAN AKURASI PENERAPAN ANFIS DALAM PENILAIAN APARTEMEN ANTARA MANAGER DAN STAFF MARKETING PADA PERUSAHAAN KONSULTAN PROPERTI
126 PERBANDINGAN AKURASI PENERAPAN ANFIS DALAM PENILAIAN APARTEMEN ANTARA MANAGER DAN STAFF MARKETING PADA PERUSAHAAN KONSULTAN PROPERTI Lala Nilawati Program Studi Manajemen Informatika AMIK BSI Jl. R.S
Lebih terperinciPENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU
PENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU Risky Meliawati 1,Oni Soesanto 2, Dwi Kartini 3 1,3Prodi Ilmu Komputer FMIPA UNLAM 2 Prodi Matematika
Lebih terperinciSTUDI PERANCANGAN PENGONTROL NEURO-FUZZY PADA PEMBANGKIT LISTRIK TENAGA SURYA
STUDI PERANCANGAN PENGONTROL NEURO-FUZZY PADA PEMBANGKIT LISTRIK TENAGA SURYA T 621.312 44 WIT ABSTRAK Pengontrol neuro-fuzzy (NFC) yang menirukan invers dari sistem dinamik merupakan salah satu alternatif
Lebih terperinciIMPLEMENTASI ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK PREDIKSI CUACA TUGAS AKHIR
IMPLEMENTASI ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK PREDIKSI CUACA (Studi Kasus Stasiun Klimatologi Karangploso Kab. Malang) TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik
Lebih terperinciPREDIKSI PENGGUNA BUS TRANS SARBAGITA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 46-52 ISSN: 2303-1751 PREDIKSI PENGGUNA BUS TRANS SARBAGITA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM SLAMET SAMSUL HIDAYAT 1, I PUTU EKA NILA
Lebih terperinciT 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia
T 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia Aidatul Fitriah 1, Agus Maman Abadi 2 1) Program Studi Matematika, FMIPA Universitas Negeri Yogyakarta 2) Jurusan Pendidikan Matematika,
Lebih terperinciPENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI
PENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI Much. Djunaidi Jurusan Teknik Industri Universitas Muhammadiyah Surakarta Jl. Ahmad Yani Tromol Pos 1 Pabelan Surakarta email: joned72@yahoo.com
Lebih terperinciVibration Monitoring. Diganosa Kerusakan. Produktifitas menurun
LOGO PREDIKSI SISA UMUR PADA ROTATING MACHINERY DENGAN METODE ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEMS) Mohammad Taufan 2106100147 Dosen Pembimbing : Dr. M. Nur Yuniarto 1 Vibration Monitoring Diganosa
Lebih terperinciPREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) Supriyanto 1, Sudjono 2, Desty Rakhmawati 3 ( 1,2. UNSOED Purwokerto, 3. STMIK
Lebih terperinciBAB V KESIMPULAN DAN SARAN
BAB V KESIMPULAN DAN SARAN V.1 Kesimpulan Setelah dilakukan perancangan sistem evaluasi mutu berbasis komputer (logika fuzzy, pengolahan citra dan JST), maka dapat disimpulkan bahwa : 1. Program logika
Lebih terperinciBAB IV PEMBAHASAN. A. Aplikasi Fuzzy Logic untuk Menilai Kolektibilitas Anggota Sebagai. Pertimbangan Pengambilan Keputusan Pemberian Kredit
BAB IV PEMBAHASAN A. Aplikasi Fuzzy Logic untuk Menilai Kolektibilitas Anggota Sebagai Pertimbangan Pengambilan Keputusan Pemberian Kredit Aplikasi fuzzy logic untuk pengambilan keputusan pemberian kredit
Lebih terperinciPENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT
PENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT Dedy Ahmad Kurniawan 1), Danny Kriestanto 2) Teknik Informatika, STMIK AKAKOM e-mail: dedyahmad.akakom10@gmail.com 1), danny@akakom.ac.id 2) ABSTRAK
Lebih terperinciPERANCANGAN APLIKASI SISTEM CERDAS UNTUK PREDIKSI ENERGI LISTRIK PEMAKAIAN SENDIRI DI PT INDONESIA POWER SUB UNIT PLTA KABUPATEN WONOGIRI
PERANCANGAN APLIKASI SISTEM CERDAS UNTUK PREDIKSI ENERGI LISTRIK PEMAKAIAN SENDIRI DI PT INDONESIA POWER SUB UNIT KABUPATEN WONOGIRI Herliyani Hasanah 1*, Nurmalitasari 1 1 Program Studi Teknik Informatika,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Data runtun waktu dari fenomena real seperti data finansial biasanya bersifat nonstasioner. Tipe data runtun waktu finansial biasanya dicirikan oleh pola-pola seperti
Lebih terperinciAPLIKASI SISTEM CERDAS UNTUK PREDIKSI ENERGI LISTRIK PEMAKAIAN SENDIRI DI PT INDONESIA POWER SUB UNIT PLTA KABUPATEN WONOGIRI
APLIKASI SISTEM CERDAS UNTUK PREDIKSI ENERGI LISTRIK PEMAKAIAN SENDIRI DI PT INDONESIA POWER SUB UNIT PLTA KABUPATEN WONOGIRI Herliyani Hasanah Program Studi Teknik Informatika STMIK Duta Bangsa Surakarta
Lebih terperinciPredicting onion production through Neuro-Fuzzy to fulfill national demand
Jurnal Ilmiah ESAI Volume 8, No.1, Januari 2014 ISSN No. 1978-6034 Predicting onion production through Neuro-Fuzzy to fulfill national demand Prediksi Produksi Bawang Merah Dengan Metode Neuro-Fuzzy Dalam
Lebih terperinciIDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Seminar Tugas Akhir O L E H : M I F T A H U D D I N P E M B I M B I N G : I R. Y E R R
Lebih terperinciImplementasi Model Adaptive Neuro-Fuzzy Inference System (ANFIS) Dalam Menentukan Penilaian Kinerja Karyawan
Implementasi Model Adaptive Neuro-Fuzzy Inference System (ANFIS) Dalam Menentukan Penilaian Kinerja Karyawan Anik Sri Wahyuningsih Jurusan Teknik Informatika Sekolah Tinggi Manajemen Informatika dan Kompiter
Lebih terperinciJaringan Neuro-Fuzi Berbasis Algoritma Genetik Dinamis Multiresolusi untuk Pemodelan Sistem Chaotic Diskrit Henon
Jaringan Neuro-Fuzi Berbasis Algoritma Genetik Dinamis Multiresolusi untuk Pemodelan Sistem Chaotic Diskrit Henon Oyas Wahyunggoro 1, Gunawan Ariyanto 2 1 Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciPermodelan Kurva Karakteristik Inverse Non- Standart Pada Rele Arus Lebih Dengan Metode Adaptive Neuro Fuzzy Inference System (Anfis)
B163 Permodelan Kurva Karakteristik Inverse Non- Standart Pada Rele Lebih Dengan Metode Adaptive Neuro Fuzzy Inference System (Anfis) Erhankana Ardiana P., Margo Pujiantara dan Ardyono Priyadi Jurusan
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 terperinciPEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA)
PEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA) Salmawaty Tansa 1, Bambang Panji Asmara 2 Fakultas Teknik, Jurusan Teknik Elektro,
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciPREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA ANFIS
PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA ANFIS TUGAS AKHIR Sebagai Persyaratan Guna Meraih Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang Disusun Oleh: Fittriyah 0 8
Lebih terperinciPERANCANGAN MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK MEMPREDIKSI CUACA MARITIM
PERACAGA MODEL ADAPTIVE EURO FUZZY IFERECE SYSTEM UTUK MEMPREDIKSI CUACA MARITIM (Ardian Candra Pratama ; Ir. Syamsul A,M.T; Dr. Ir. Aulia S.A, M.T) Jurusan Teknik Fisika Fakultas Teknologi Industri Institut
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN JURUSAN SMK MENGGUNAKAN NEURO-FUZZY. Abstrak. Abstract
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN JURUSAN SMK MENGGUNAKAN NEURO-FUZZY Pepi Dwi Ariani 1, Entin Martiana Kusuma 2, Dwi Kurnia Basuki 2 Mahasiswa Jurusan Teknik Informatika 1, Dosen Pembimbing 2 Politeknik
Lebih terperinciDIAGNOSA PENYAKIT DBD (DEMAM BERDARAH DENGEU) DENGAN ALGORITMA PEMBELAJARAN HYBRID DAN BACKPROPAGATION BERBASIS NEURAL NETWORK
SNIPTEK 2015 ISBN: 978-602-72850-6-4 DIAGNOSA PENYAKIT DBD (DEMAM BERDARAH DENGEU) DENGAN ALGORITMA PEMBELAJARAN HYBRID DAN BACKPROPAGATION BERBASIS NEURAL NETWORK Ita Dewi Sintawati AMIK BSI Bekasi Jl.
Lebih terperinciMODEL PREDIKSI PRODUCTION DELAY DALAM PROSES PRODUKSI STRIP MILL DENGAN METODE ADAPTIVE NEURO- FUZZY INFERENCE SYSTEM
Journal Industrial Servicess Vol. 3 No. 2 Maret 2018 MODEL PREDIKSI PRODUCTION DELAY DALAM PROSES PRODUKSI STRIP MILL DENGAN METODE ADAPTIVE NEURO- FUZZY INFERENCE SYSTEM Yusraini Muharni Jurusan Teknik
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Akhir-akhir ini kita banyak mendengar banyak berita bahwa Perusahaan Listrik Negara (PLN) mengalami kerugian yang sangat besar setiap tahunnya yang disebabkan faktor-faktor
Lebih terperinciBAB 5 KESIMPULAN, KEKURANGAN PENELITIAN DAN SARAN. Dari hasil pengujian peramalan dengan menggunakan metode Fuzzy Mamdani
BAB 5 KESIMPULAN, KEKURANGAN PENELITIAN DAN SARAN 5. 1 Kesimpulan Dari hasil pengujian peramalan dengan menggunakan metode Fuzzy Mamdani dan bantuan software Matlab, dapat diambil beberapa kesimpulan sebagai
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih 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 terperinciPREDIKSI HARGA SAHAM SYARIAH MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI UMI HANI
PREDIKSI HARGA SAHAM SYARIAH MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI UMI HANI 081402032 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
Lebih terperinciKata kunci: Sistem pendukung keputusan metode Sugeno, tingkat kepribadian siswa
SISTEM PENDUKUNG KEPUTUSAN METODE SUGENO DALAM MENENTUKAN TINGKAT KEPRIBADIAN SISWA BERDASARKAN PENDIDIKAN (STUDI KASUS DI MI MIFTAHUL ULUM GONDANGLEGI MALANG) Wildan Hakim, 2 Turmudi, 3 Wahyu H. Irawan
Lebih terperinciPrediksi Suku Bunga Acuan (BI Rate) Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 1, Januari 2018, hlm. 73-80 http://j-ptiik.ub.ac.id Prediksi Suku Bunga Acuan (BI Rate) Menggunakan Metode Adaptive
Lebih terperinciPENGUKURAN PENILAIAN KINERJA KARYAWAN MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)
140 Jurnal Pilar Nusa Mandiri Vol.XII, No.2 September 2016 PENGUKURAN PENILAIAN KINERJA KARYAWAN MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Nurul Afni Program Studi Manajemen Informatika
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Clustering Clustering atau analisis cluster adalah proses pengelompokan satu set benda- benda fisik atau abstrak ke dalam kelas objek yang sama (Han, 2006). Baskoro (2010) menyatakan
Lebih terperinciPREDIKSI ANGKA PARTISIPASI SEKOLAH DI JAWA TENGAH UMUR TAHUN DENGAN METODE JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK
PREDIKSI ANGKA PARTISIPASI SEKOLAH DI JAWA TENGAH UMUR 16-18 TAHUN DENGAN METODE JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK R. Mh. Rheza Kharis *), R. Rizal Isnanto, and Ajub Ajulian Zahra Jurusan Teknik
Lebih terperinciIDENTIFIKASI KEMATANGAN BUAH MANGGA HARUMANIS MENGGUNAKAN METODE ANFIS (ADAPTIVE NEURO FUZZY INFERENCE SYSTEM) SKRIPSI.
IDENTIFIKASI KEMATANGAN BUAH MANGGA HARUMANIS MENGGUNAKAN METODE ANFIS (ADAPTIVE NEURO FUZZY INFERENCE SYSTEM) HALAMAN JUDUL SKRIPSI Disusun Oleh : MUHAMMAD IMAM SETIAJI 1203030015 PROGRAM STUDI TEKNIK
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 terperinciMETODE SIKLIS DAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK PERAMALAN CUACA
METODE SIKLIS DA ADAPTIVE EURO FUZZY IFERECE SYSTEM UTUK PERAMALA CUACA Fahrur Rozi 1), Farid Sukmana 2) 1) Jurusan Pendidikan Teknologi Informasi, STKIP PGRI Tulungagung Jl Mayor Sujadi Timur no.7. Tulungagung
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 terperinciPrediksi Pemakaian Listrik Dengan Pendekatan Back Propagation
ISSN: 2089-3787 465 Prediksi Pemakaian Listrik Dengan Pendekatan Back Propagation Ruliah S, Rendy Rolyadely Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru Jl. A.Yani Km. 33,3 Loktabat Banjarbaru
Lebih terperinciAPLIKASI METODE FUZZY MAMDANI DALAM PENENTUAN JUMLAH PRODUKSI
APLIKASI METODE FUZZY MAMDANI DALAM PENENTUAN JUMLAH PRODUKSI Oleh Enny Durratul Arifah Dosen Pembimbing 1. Prof. Dr. Mohammad Isa Irawan, M.T. 2. DR. Imam Mukhlas, S.Si, M.T. INSTITUT TEKNOLOGI SEPULUH
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 terperinciMETODOLOGI PENELITIAN
digilib.uns.ac.id BAB III METODOLOGI PENELITIAN 3.1 Studi Literatur Studi ini dilakukan dengan cara mencari dan membaca berbagai literatur serta karya-karya penelitian mengenai topik penelitian yang sudah
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Semakin bertambah tahun, semua peralatan konvensional semakin tergantikan dengan adanya peralatan elektronik. Di setiap sisi kehidupan pada saat ini menggunakan peralatan
Lebih terperinciPREDIKSI ANGKA PARTISIPASI SEKOLAH DI JAWA TENGAH UMUR TAHUN DENGAN METODE JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK
PREDIKSI ANGKA PARTISIPASI SEKOLAH DI JAWA TENGAH UMUR 16-18 TAHUN DENGAN METODE JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK R.Mh.Rheza Kharis *), R. Rizal Isnanto, Ajub Ajulian Zahra Jurusan Teknik Elektro,
Lebih terperinciAchmad Fauqy Ashari Supervisor: Wiwik Anggraeni S.Si, M.Kom Ahmad Mukhlason S.Kom, M.Sc
Achmad Fauqy Ashari 5208100150 Supervisor: Wiwik Anggraeni S.Si, M.Kom Ahmad Mukhlason S.Kom, M.Sc Sistem Informasi - FTIf - 2012 Tujuan dari tugas akhir ini adalah pengembangan prototipe sistem cerdas
Lebih terperinciOleh : Alif Tober Rachmawati
Perancangan softsensor steam quality pada steam generator dengan optimasi nilai spesifik volume dengan metode jaringan syaraf tiruan (JST) Oleh : Alif Tober Rachmawati 2410105022 Latar Belakang Steam generator
Lebih terperinciPEMODELAN SISTEM FUZZY STATIS SECARA UMUM DAN IDENTIFIKASI KONSTANTA PARAMETER DALAM SISTEM FUZZY STATIS
PEMODELAN SISTEM FUZZY STATIS SECARA UMUM DAN IDENTIFIKASI KONSTANTA PARAMETER DALAM SISTEM FUZZY STATIS Nadia Ersa Febrina 1, Rahmi Rusin 2 1 Mahasiswa Departemen Matematika, FMIPA UI, Kampus UI Depok
Lebih terperinciPENERAPAN LOGIKA FUZZY DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENILAIAN BERBASIS KOMPUTER. Oleh
PENERAPAN LOGIKA FUZZY DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENILAIAN BERBASIS KOMPUTER Oleh I Gede Santi Astawa Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Udayana Kampus Bukit Jimbaran, Badung
Lebih terperinciAnalisis Sistem Estimasi Produksi Menggunakan Metode Fuzzy Berbasis Web
T E S L A VOL. 19 NO.1 MARET 2017 Analisis Sistem Estimasi Produksi Menggunakan Metode Fuzzy Berbasis Web Boby Wisely Ziliwu 1 dan Suhartati Agoes 1 Abstract: Products demand number of that many in the
Lebih terperinciPenyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks
Penyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks Dewi Erla Mahmudah 1, Ratna Dwi Christyanti 2, Moh. Khoridatul Huda 3,
Lebih terperinciAplikasi Peramalan Kebutuhan Beban Listrik Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS)
Aplikasi Peramalan Kebutuhan Beban Listrik Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS) Erwan Ahmad Ardiansyah 1, Rina Mardiati 2, Afaf Fadhil 3 1,2 Jurusan Teknik Elektro, Fakultas
Lebih terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
Lebih 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 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 terperinciPENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO
PENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO Magdalena Simanjuntak Program Studi Teknik Informatika, STMIK Kaputama E-mail : magdalena.simanjuntak84@gmail.com ABSTRACT This study aimed to analyze
Lebih terperinciPENERAPAN FUZZY INFERENCE SYSTEM PADA PREDIKSI CURAH HUJAN DI SURABAYA UTARA
LOGO PENERAPAN FUZZY INFERENCE SYSTEM PADA PREDIKSI CURAH HUJAN DI SURABAYA UTARA Oleh: DYNES RIZKY NAVIANTI (1208100017) JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Tenaga listrik merupakan kebutuhan yang sangat penting bagi manusia dalam melakukan aktifitasnya sehari-hari. Peralatan rumah tangga maupun industri hampir semuanya
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini membahas tentang hal-hal yang menjadi latar belakang pembuatan tugas akhir, rumusan masalah, tujuan, batasan masalah, manfaat, metodologi penelitian serta sistematika penulisan
Lebih terperinciKENDALI LOGIKA FUZZY PADA PENGATURAN LAMPU LALU LINTAS BERDASARKAN URGENCY DAN STOP DEGREE
KENDALI LOGIKA FUZZY PADA PENGATURAN LAMPU LALU LINTAS BERDASARKAN URGENCY DAN STOP DEGREE Fitria Suryatini Program Studi Teknik Elektro Fakultas Teknik Universitas Islam 45 (UNISMA) E-mail: fitriasuryatini88@gmail.com
Lebih terperinciMetode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk Prediksi Tingkat Layanan Jalan
Jurnal Sistem Informasi Bisnis 03(2013) On-line : http://ejournal.undip.ac.id/index.php/jsinbis 127 Metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk Prediksi Tingkat Layanan Jalan Noor Azizah
Lebih terperinciFUZZY C-MEANS UNTUK CLUSTERING DATA (STUDI KASUS : DATA PERFORMANCE MENGAJAR DOSEN)
FUZZY C-MEANS UNTUK CLUSTERING DATA (STUDI KASUS : DATA PERFORMANCE MENGAJAR DOSEN) Emha Taufiq Luthfi STMIK AMIKOM Yogyakarta e-mail : emha_tl@yahoo.com Abstraksi Clustering merupakan proses pengelompokan
Lebih terperinciESTIMASI TINGKAT BI RATE
ESTIMASI TINGKAT BI RATE BERDASARKAN FAKTOR NILAI TUKAR(KURS USD/RP), JUB, INFLASI, IHSG DAN PDB MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Disusun oleh: Nama : AKHMAD KAHFI NPM :
Lebih terperinciPREDIKSI PENJUALAN HYDRATED LIME MENGGUNAKAN METODE NEURAL NETWORK
Jurnal Techno Nusa Mandiri Vol. XIV, No. 1 Bulan 2017 27 PREDIKSI PENJUALAN HYDRATED LIME MENGGUNAKAN METODE NEURAL NETWORK Asri Wahyuni Program Studi Sistem Informasi, STMIK Nusa Mandiri Jl. Damai No.
Lebih terperinci