ANALISIS ACCELARATED LEARNING PADA BACKPROPAGATION DALAM PERAMALAN INDEKS HARGA SAHAM GABUNGAN ABSTRAK
|
|
- Suparman Widjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 ANALISIS ACCELARATED LEARNING PADA BACKPROPAGATION DALAM PERAMALAN INDEKS HARGA SAHAM GABUNGAN Oleh : Armansyah Barus Magister (S2) Teknik Informatika Universitas Sumatera Utara Jl. Universitas No. 24A Kampus USU Armansyah86@gmail.com ABSTRAK Peramalan saham merupakan hal yang sangat dibutuhkan investor saham dalam menentukan kapan harus menjual dan membeli suatu indeks saham. Banyak teori metematis yang telah digunakan untuk mendapatkan hasil peramalan yang tepat tetapi system peramalan yang sering digunakan masih statis. Untuk kasus yang nilainya dinamis, sangatlah sulit dalam pengembangan model matematisnya. Sesuai dengan perkembangan teknologi komputer, penerapan metode Artificial Neural Network menjadi lebih mudah dalam memodelkan system dinamis. Resilient Backpropagation adalah salah satu model Artificial Neural Network (ANN) yang telah diimplementasikan untuk peramalan indeks saham. Risilient Backpropagation mempunyai kemampuan untuk melakukan pembelajaran dan meramalkan data keluaran pada waktu mendatang berdasarkan hasil pembelajaran yang telah dilakukan. Pada penelitian ini, metode ANN akan diterapkan untuk meramalkan harga Open, High, Low dan Close dalam indeks saham Bursa Efek Indonesia. Dengan data berupa harga saham harian, jaringan syaraf tiruan yang dirancang akan menghasilkan bobot-bobot yang digunakan untuk meramal harga saham di hari berikutnya. Dalam penelitian ini, dapat disimpulkan jaringan yang menggunakan variabel input harga opening, high, low dan close dan variabel output open, high, low dan close dengan menggunakan dua (2) hidden layer dengan jumlah node hidden layer1 100 dan jumlah node hidden layer2 150 menghasilkan keakuratan peramalan yang paling baik. Penelitian ini masih dalam tahap awal, dimana masih banyak faktor yang dapat dikembangkan atau diteliti lebih lanjut. Kata Kunci : Resilient Backpropagation, Peramalan, Saham. 154
2 ABSTRACT Forecasting stock is much needed equity investor in deciding when to sell and buy a stock index. Metematis many theories that have been used toget the right results but forecasting system that is ofte nusedisstatic. Forcases whose value is dynamic, it is difficult in the development of mathematical models. In accordance with the development of computer technology, the application of Artificial Neural Network method becomes easier to model the dynamic system. Resilient Back propagation is one model of Artificial Neural Network (ANN), which has been implemented for forecastings to ckindex. Risilient Back propagation learning has the ability toout put data and predict the future based on the learning outcomes that have been done. In this study, ANN method will be applied to forecast price of the Open, High, Low and Close in the Indonesia Stock Exchanges to ckindex. With the data in the form of daily stock prices, artificial neural networks are designed to give the weights that are used to predict the stock price in the next day. In this study, we can conclude that the net work uses the input variable opening price, high, low and close and output variables open, high, low and closeusing the two (2) hidden layer with the number of nodesand the number 100 hidden layer1 layer215 0hidden nodes produce the best forecasting accuracy. This researchis stillin its early stages, where there are many factors that can be developedor research edfurther. Keywords: Resilient Back propagation, Forecasting, Stock. PENDAHULUAN Peramalan adalah menduga atau memperkirakan suatu keadaan di masa yang akan datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk menetapkan kapan suatu peristiwa akan terjadi, sehingga tindakan yang tepat dapat dilakukan (Makridakis, 1999). Penelitian ini memperlihatkan aplikasi model Artificial Neural Networks (ANN) atau Jaringan Syaraf Tiruan (JST) dalam bidang ilmu keuangan, khususnya untuk aplikasi Financial Forecasting. Artificial Neural Networks (ANN) merupakan sebuah model peramalan yang relative baru untuk aplikasi Financial Forecasting. Financial Forecasting disini menunjukkan pada peramalan atau prediksi harga saham di pasar modal, atau yang sering disebut stock forecasting. JST memiliki beberapa metode yang dapat digunakan seperti Hopfield, Perceptron, Adaline dan Backpropagation. Diantara metodemetode tersebut, Backpropagation merupakan metode yang paling sering digunakan karena metode ini menurunkan gradien untuk meminimalkan penjumlahan error kuadrat dari output jaringan (Puspitaningrum, 2006). 155
3 Data yang digunakan dalam penelitian ini adalah indeks pasar yang meliputi IHSG dan LQ 45. Data telah diperoleh dalam format runtun waktu (times series) mulai dari bulan Januari tahun 2012 sampai bulan Desember Rancangan sistem terdiri dari preprocessing data yaitu tahap normalisasi data kedalam range [0-1]. Setelah arsitektur jaringan ditentukan maka dilakukan proses training, dimana sistem akan dilatih sehingga dapat mengenali pola pasangan data input dan data target. Testing dilakukan untuk mengetahui apakah sistem mampu memberikan hasil yang benar terhadap pasangan data input dan target yang belum pernah dilatih kedalam sistem. Gambar 3.1 adalah rancangan umum dari sistem yang akan dibangun pada penelitian ini, yaitu: Mulai Preprocessi Arsitektur Training Testing Postprocess Selesai Gambar 3.1 analisis system Variabel data masukan merupakan sekumpulan data serial atau berkala dari transaksi pada suatu jangka waktu. Di dalam sistem peramalan jaringan syaraf tiruan ini, data masukan yang digunakan yaitu : a. Harga Pembuka Harga saham pembuka yang diperoleh pada satu hari transaksi saham di bursa efek. Diinisialisasikan dengan variabel X1. b. Harga Tertinggi Harga saham tertinggi yang diperoleh pada satu hari transaksi saham di bursa efek. Diinisialisasikan dengan variabel X2. c. Harga Terendah Harga saham terendah yang diperoleh pada satu hari transaksi saham di bursa efek. Diinisialisasikan dengan variabel X3. d. Harga Penutup Harga penutupan saham yang menjadi penutupan transaksi saham pada hari itu. Diinisialisasikan dengan variabel X4. Output berhubungan langsung dengan fungsi aktivasi, sehingga target output dari pasangan data pelatihan harus memiliki rentang nilai yang sama dengan output fungsi aktivasi yakni antara -1 sampai 1. Output yang dihasilkan akan digunakan untuk memprediksi harga Open, high, Low dan close sesuai dengan nilai input yang dimasukkan oleh pengguna
4 Sebelum melakukan perhitungan Output, yang harus dilakukan terlebih dahulu adalah melakukan training untuk mendapatkan pola pembelajaran pergerakan harga sesuai dengan datadata yang tersimpan dalam database. Epoch yang semakin besar akan memakan waktu yang semakin lama, namun pola yang dihasilkan dari proses training akan lebih baik dibanding Epoch yang kecil namun tidak memakan waktu yang lama. Data yang digunakan dalam penelitian ini adalah database indeks pasar yang meliputi IHSG dan LQ 45. Data telah diperoleh dalam format runtun waktu (times series) mulai dari bulan Januari tahun 2012 sampai bulan Desember Data kemudian disusun dan dipilih variabel faktor-faktor yang mempengaruhi harga saham dengan record data yang memiliki informasi paling lengkap. Berdasarkan data tersebut, kemudian digunakan sebanyak 260 kasus untuk masingmasing kategori. Data tersebut kemudian akan di bagi menjadi 2 bagian, yaitu data pelatihan (training), data pengujian (testing). Sebanyak 50% data digunakan untuk proses training dan 50% data digunakan untuk proses testing. Data yang telah dianalisis kemudian dinormalisasi sehingga dapat dikenali oleh fungsi aktifasi yang akan digunakan. Pada penelitian ini, data di normalisasi kedalam range [0-1] berdasarkan rumus : X = 0.8(x min) max min + 0.1(Siang, 2004) Dengan: x = x yang telah dinormalisasi x = x sebelum dinormalisasi min = nilai minimum dari seluruh data max = nilai maksimum dari seluruh data Arsitektur jaringan saraf tiruan terdiri dari lapisan input (input layer), lapisan tersembunyi (hidden layer) dan lapisan output (output layer). Berikut adalah rincian arsitektur jaringan saraf tiruan yang digunakan: 1. Lapisan masukan (input layer) terdiri 4 neuron dan ditambah sebuah bias. 2. Lapisan tersembunyi (hidden layer) terdiri dari n lapis. Banyaknya jumlah neuron pada hidden layer yang akan digunakan ditentukan berdasarkan percobaan yang dilakukan beberapa kali untuk mendapat arsitektur terbaik, Setiap masingmasing hidden layer akan ditambah dengan sebuah bias. 3. Lapisan keluaran (output layer) yang digunakan sebanyak satu lapis dengan 1 neuron. Fungsi aktivasi yang akan digunakan dari input layer menuju hidden layer pertama adalah fungsi aktivasi sigmoid, begitu juga dari hidden layer pertama menuju hidden layer kedua menggunakan fungsi aktivasi sigmoid sedangkan pada
5 output layer akan digunakan fungsi aktivasi linier dengan nilai minimal error yaitu 0.01 dengan nilai learning rate yang berada pada range 0.1 sampai dengan 0.9. Rancangan arsitektur secara umum dapat dilihat pada gambar 3.2. Keterangan : X = input neuron pada input layer Z = hidden neuron pada hidden layer Y = output neuron pada output layer V11,..Vn = bobot dari input layer ke hidden layer pertama W11,..Wn = bobot dari hidden layer pertama ke hidden layer kedua 1 = bias dari input layer ke hidden layer Proses training pada JST memerlukan data input dan data target. Training meliputi proses iteratif dari data input yang dimasukkan ke dalam jaringan sehingga jaringan dapat belajar dan menyesuaikan data yang dilatih dengan data target yang diinginkan. Training dilakukan untuk mencari nilai bobot yang menghubungkan semua neuron sehingga meminimalkan error yang dihasilkan oleh output jaringan. Proses training JST menggunakan sebanyak 50% jumlah data yang terdiri dari input data dan output target, kemudian data training dinormalisasi sebelum diproses kedalam jaringan. Pada proses ini akan dilakukan pelatihan dengan arsitektur JST dari jumlah hidden neuron yang berbeda-beda. Setiap arsitektur yang diuji tersebut akan menghasilkan bobot pelatihan yang nantinya akan digunakan sebagai bobot awal pada proses testing. Kemudian inisialisasi bobot dan bias untuk menghitung nilai output dari setiap neuron yang akan dikalikan dengan fungsi aktivasi dan learning rate. Setelah nilai output jaringan pada lapisan output diperoleh, hitung nilai error dari jaringan, kemudian nilai error dibandingkan dengan nilai error target yang telah ditetapkan. Jika error jaringan yang dihasilkan tidak lebih kecil atau sama dengan nilai error yang telah ditetapkan, maka akan dilakukan proses
6 backprop dengan memodifikasi bobot jaringan dan bias pada iterasi tertentu hingga didapatkan nilai error minimum mendekati error target yang telah ditetapkan sebelumnya. Ketika kondisi error lebih kecil daripada error target maka bobot tersebut akan disimpan sebagai bobot terpilih dalam proses training. Berikut adalah flowchart training Resilient Backpropagation: Perhitungan error digunakan untuk menguji keakurasian jaringan. Tujuannya yaitu memperoleh nilai error seminimal mungkin dengan cara mengganti nilai bobot yang terhubung pada semua neuron secara iteratif. Pada penelitian ini, perhitungan error yang digunakan adalah Mean Square Error (MSE) yang merupakan rata-rata kuadrat dari selisih antara output jaringan dengan output target. Rumus dari MSE sebagai berikut: Keterangan: tk = nilai output target yk = nilai output jaringan N = jumlah output dari neuron Proses testing JST menggunakan sebanyak 50% dari jumlah data yang telah dipilih untuk masing-masing kategori. Pada tahap ini jaringan akan di testing dengan data baru yang belum pernah dilatih kedalam jaringan untuk mengetahui kemampuan jaringan melakukan generalisasi kasus yang dihadapi dan kemudian menarik kecenderungan terhadap output tertentu. Proses testing hanya akan menerapkan tahap propagasi maju. Secara umum proses testing JST dapat dilihat pada gambar 3.4: Adapun tahapannya adalah sebagai berikut: 1. Masukkan nilai input dari data testing. 2. Lakukan perhitungan neuronneuron pada hidden layer dengan rumus: 11 Z inj = V oj + i=1 Xi.V ij 3. Hitung hasil output dari masing-masing hidden layer dengan menerapkan kembali fungsi aktivasi. Zj = f (Z inj) = 1 1+e -z_inj Sinyal tersebut kemudian akan diteruskan kesemua
7 neuron pada lapisan berikutnya yaitu output layer. 4. Setiap neuron pada output layer (Yk, k=1,..,5) menjumlahkan sinyal-sinyal output beserta bobotnya: 5 Y ink = W 0k + i=1 Zj.W jk 5. Menerapkan kembali fungsi aktivasi untuk menghitung sinyal output Yk=f(Y_ink) = 1 1+e -y_ink Setelah proses testing selesai, maka kemampuan generalisasi jaringan dapat diukur dari berapa banyak pola yang dikenali. Hal tersebut dihitung menggunakan rumus berikut: PEMBAHASAN DAN HASIL PENELITIAN Pada bab ini akan dilakukan implementasi dan pengujian sistem. Sistem dibuat dengan menggunakan Matlab R2008b. Pengujian sistem untuk memrepresentasikan review akhir dari analisis dan implementasi. Lingkungan implementasi yang akan dijelaskan merupakan lingkungan perangkat keras (hardware) dan perangkat lunak (software) yang digunakan dalam penulisan skripsi ini. Spesifikasi perangkat keras (hardware) yang digunakan adalah sebagai berikut: generalisasi = jumla datayangdikenali jumla datatesting x 100 % Hasil proses testing berupa matriks yang bentuknya sesuai dengan output targetnya. Output jaringan kemudian akan ditentukan pada suatu pola tertentu. Jika hasil keluaran jaringan lebih besar atau sama dengan 0,5 maka jaringan dianggap meniliki hasil keluaran 1 dan jika jaringan memiliki keluaran kurang dari 0,5 maka akan dianggap memiliki hasil keluaran 0. Data yang dikatakan dikenali adalah apabila data hasil normalisasi yang digunakan sebagai nilai input dapat menghasilkan nilai output jaringan yang sama dengan nilai target yang diinginkan. 1. Prosesor Intel(R) core (TM) i3 CPU 2.53GHz (4CPUs), ~2.5GHz. 2. RAM 2048 MB. 3. Hard disk 500 GB. 4. Keyboard. 5. Mouse. Spesifikasi perangkat lunak (software) yang digunakan adalah sebagai berikut: 1. Operating System Windows 7 Ultimate 64-bit (6.1, Build 7600). 2. Software Matlab R2008b
8 rate antara 0.1 sampai dengan Menampilkan hasil prediksi menggunakan data testing yang pernah dilatih kedalam jaringan. Untuk mencari arsitektur jaringan terbaik dengan menggunakan metode Resilient Backpropagation, maka penulis melakukan serangkaian percobaan dengan memodifikasi jumlah hidden layer dan hidden neuron untuk masing-masing layerbeserta parameter-parameter yang digunakan. Adapun langkahlangkah yang dilakukan oleh penulis adalah sebagai berikut: 1. Dilakukan serangkaian percobaan untuk variasi jumlah hidden layer dan jumlah hidden neuron untuk mencari arsitektur jaringan terbaik. Dari seluruh variasi jumlah neuron pada hidden layer yang dicoba akan dipilih satu variasi yang memberikan nilai MSE pelatihan paling minimum. 2. Setelah arsitektur jaringan terbaik diperoleh, kemudian dilakukan beberapa kali percobaan untuk mencari bobot terbaik pelatihan yang menghasilkan nilai MSE paling minimum sesuai dengan iterasi yang telah ditetapkan. 3. Nilai bobot terbaik disimpan untuk diuji kembali dengan menggunakan nilai learning Peramalan Data Harga Pembuka (Open) dengan Resilient Backpropagation Neural Network dengan Jumlah Hidden Layer Sebanyak 2 Proses awal ini dimulai dengan memasukkan coding ke dalam software MATLAB seperti yang sudah dijelaskan sebelumnya dan tampilan coding tersebut dapat dilihat dilampiran. Kemudian dengan membuka kembali window MATLAB dan melihat window bangian result maka akan muncul hasil pelatihan sebagai berikut : Hasil_akhir = Columns 259 through
9 Columns 265 through Columns 271 through Columns 277 through Columns 283 through Columns 289 through MSE_train = Peramalan Data Harga Tertinggi (High) dengan Resilient Backpropagation Neural Network dengan Jumlah Hidden Layer Sebanyak 2 seperti yang sudah dijelaskan sebelumnya dan tampilan coding tersebut dapat dilihat dilampiran. Data yang digunakan yaitu daftar harga saham yang dimulai dari Januari 2012 s/d Desember Kemudian dengan membuka kembali window MATLAB dan melihat window bangian result maka akan muncul hasil pelatihan sebagai berikut : Hasil_akhir = Columns 259 through Columns 265 through Columns 271 through Columns 277 through Columns 283 through Columns 289 through MSE_train = Peramalan Data Harga Terendah (Low) dengan Resilient Backpropagation Neural Network dengan Jumlah Hidden Layer Sebanyak 2 Proses awal ini dimulai dengan memasukkan coding ke dalam software MATLAB seperti yang sudah dijelaskan sebelumnya dan tampilan coding tersebut dapat dilihat dilampiran. 162
10 SIMPULAN Kemudian dengan membuka kembali window MATLAB dan melihat window bangian result maka akan muncul hasil pelatihan sebagai berikut : Hasil_akhir = Columns 259 through Columns 265 through Columns 271 through Columns 277 through Columns 283 through Columns 289 through MSE_train = Program peramalan dengan algoritma jaringan syaraf tiruan ini telah memberikan hasil yang cukup memuaskan dalam peramalan indeks harga saham. dapat diambil kesimpulan sebagai berikut : 1. Jaringan syaraf tiruan mampu digunakan untuk meramalkan indeks harga saham yang cukup akurat, dilihat dari hasil testing atau estimasi yang tepat. 2. Faktor pemilihan input sangat berpengaruh pada ketepatan hasil peramalan indeks harga saham tergantung pada arsitektur yang digunakan. Input dalam proses training yang digunakan dalam peramalan ini yaitu Open, High, Low dan Close. 3. Dengan melihat hasil peramalan, dapat diambil kesimpulan bahwa indeks harga saham gabungan merupakan bidang yang rentang nilai antara high dan low sehingga dalam 1 hari dapat berbeda jauh atau cenderung tidak stabil. Sebagai pengembangan penelitian lebih lanjut maka diharapkan dapat dilakukan beberapa perbaikan yaitu: 1. Perlu diadakan penelitian lebih lanjut mengenai metode untuk peramalan nilai indeks harga saham yang lebih akurat. Hal ini perlu dilakukan karena adanya faktor faktor lainnya yang mempengaruhi pergerakan nilai indek saham seperti suku bunga, stabilitas politik, fundamental perusahaan dan lainnya. 163
11 2. Untuk meningkatkan keakuratan peramalan, faktor input tidak dilihat dari nilai Open, High, Low dan Close saja tetapi ditambah dengan nilai lain misalnya dengan faktor Input suku bunga yang berlaku agar proses pengenalan pola dalam training dapat mempelajari hubungannya dengan pergerakan nilai indeks harga saham. 3. Mencoba menambah data-data historis yang telah ada menjadi lebih lengkap lagi sehingga meningkatkan keakuratan peramalan. Semakin banyak data historis yang ada untuk di training maka semakin akurat peramalan dengan menggunakan jaringan syaraf tiruan. 4. Sebaiknya penelitian dilakukan lebih dalam lagi untuk membangun arsitektur jaringan syaraf tiruan yang memberikan hasil yang lebih optimal. 5. Untuk pengembangan selanjutnya diperlukan desain antarmuka agar sistem dapat lebih user friendl 164 DAFTAR PUSTAKA Chatfield, C. and Faraway, J., Time Series Forecasting with Neural Networks: a Comparative Study Using the Airline Data, Royal Statistical Society, 47, Part 2, pp , Demuth, H., Beale, M. (2009). Neural Network Toolbox, For Use with MATLAB. USA: The MathWorks. Fajri, Nazar Iskandar., Prediksi Suhu dengan Menggunakan Algoritma-Algortima yang Terdapat pada Artificial Neural Network. Thesis. Bandung, Indonesia: Institut Teknologi Bandung. Fausett, L Fundamental of Neural Network : Architecture, Algorithm and Application. New Jersey. Prentice-Hall. Halim, Abdul Analisis Investasi. Jakarta : Salemba Empat. Kao, J.J & Huang, S.S. 2000, Forecasts Using Neural Network versus Box-Jenkins Methodology for Ambient Air Quality Monitoring Data, Journal of the Air and Waste Management Association, 50, pp , Kusumadewi, Sri Artificial Intelligence (Teknik dan Aplikasinya). Edisi I. Yogyakarta :Graha Ilmu. Kusumadewi, Sri Membangun Jaringan SyarafTiruan (Menggunakan MATLAB
12 &Excel Link). Edisi I. Yogyakarta : Penerbit Graha Ilmu. Leung, M.T., Chen, A.N., and Daouk, H., Forecasting Exchange Rates using General Regression Neural Networks, Computers & Operations Research, 27, pp , Makridakis, Metodedan Aplikasi Peramalan Edisi Kedua. (diterjemahkan oleh : Suminto, Hari). Binarupa Aksara. Jakarta. Terjemahan dari : Forecasting Methods and Applications, Second Edition. Manurung, A. (2002). Teknik Peramalan Bisnis dan Ekonomi. Jakarta : Rineka Cipta. Cattolico, M A Computational Intelligence Approach to Financial Forecanting. Neves, J, and Cortez, P Combining Genetic Algorithms, Neural Networks and Data Filtering for Time Series Forecasting. Departamento de Informatica Universidade do Minho. Portugal. Pandjaitan, L.W Dasar-Dasar Komputasi Cerdas. Andi Offset. Yogyakarta. Portugal, M.S., Neural Networks Versus Time Series Methods: a Forecasting Exercise, 14th International Symposium on Forecasting, Stockholm School of Econometrics, Stockholm, Sweden, pp of June, Puspitaningrum, Diyah Pengantar Jaringan Saraf Tiruan. Edisi I. Yogyakarta : ANDI. Rusdin Pasar Modal. Bandung : Alfabeta. Santosa, Budi DATA MINING : Teknik Pemanfaatan Data untuk Keperluan Bisnis. EdisiI. Yogyakarta : Graha Ilmu. Siang, J.J Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB. Andi Offset. Yogyakarta. Tandelilin, Eduardus, 2001, Analisis Investasi dan Manajemen Portofolio, edisi pertama, BPFE Yogyakarta Taswan dan Euis Soliha, 2002, Perspektif Analisis Pelaku Investasi dan Spekulasi di Pasar Modal, Fokus Ekonomi, Vol.1 No.2 Agustus hal Weigend, Andreas S., David E. Rumelhart, dan Berdardo A. Huberman (1991). Generalization by Weight Elimination with Application to Forecasting, Neural Information Processing System, San Mateo : Morgan Kaufmann, vol. 3,pp
ANALISIS ACCELARATED LEARNING PADA BACKPROPAGATION DALAM PERAMALAN INDEKS HARGA SAHAM GABUNGAN TESIS ARMANSYAH BARUS / TINF
ANALISIS ACCELARATED LEARNING PADA BACKPROPAGATION DALAM PERAMALAN INDEKS HARGA SAHAM GABUNGAN TESIS ARMANSYAH BARUS 117038059 / TINF PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER
Lebih terperinciBAB 1 PENDAHULUAN. datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk
BAB 1 PENDAHULUAN 1.1. Latar Belakang Peramalan adalah menduga atau memperkirakan suatu keadaan di masa yang akan datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk menetapkan kapan
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih 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 terperinciPREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION DAN WEIGHT-ELIMINATION
Konferensi Nasional Sistem dan Informatika 1; Bali, November 13, 1 PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION DAN WEIGHT-ELIMINATION Fitrisia, Adiwaya, dan Andrian
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Siti Amiroch Universitas Islam Darul Ulum Lamongan, amirast_117@yahoo.com Abstract. In the stock market, stock price prediction is
Lebih 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 terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih 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 terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka berpikir Perubahan nilai tukar rupiah terhadap mata uang asing tidak dapat dihindari. Untuk mengatasi perubahan yang tidak pasti ini diperlukan suatu prediksi.
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 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 terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciPERENCANAAN DAN PEMBUATAN PERANGKAT LUNAK JARINGAN SARAF BUATAN UNTUK MERAMALKAN NILAI KESEHATAN SENTRAL TELEPON DI SUATU SENTRAL TELEPON
PERENCANAAN DAN PEMBUATAN PERANGKAT LUNAK JARINGAN SARAF BUATAN UNTUK MERAMALKAN NILAI KESEHATAN SENTRAL TELEPON DI SUATU SENTRAL TELEPON DESIGN OF ARTIFICIAL NEURAL NETWORK SOFTWARE FOR PREDICTING THE
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciPENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto
PENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto Teknik Informatika, Univesitas Dian Nuswantoro ABSTRACT: Peramalan saham merupakan
Lebih 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 terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-31
JURNAL SAINS DAN SENI ITS Vol 4, No2, (2015) 2337-3520 (2301-928X Print) A-31 Perbandingan Performansi Metode Peramalan Fuzzy Time Series yang Dimodifikasi dan Jaringan Syaraf Tiruan Backpropagation (Studi
Lebih terperinciPERANCANGAN APLIKASI JARINGAN SARAF TIRUAN UNTUK PREDIKSI NILAI TUKAR RUPIAH TERHADAP MATA UANG ASING
PERANCANGAN APLIKASI JARINGAN SARAF TIRUAN UNTUK PREDIKSI NILAI TUKAR RUPIAH TERHADAP MATA UANG ASING Danny Horia Komp. Duta Harapan Indah Blok JJ no 52 021-6682844 dannybinuz@gmail.com Binus University
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI
PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION (Studi Kasus : Harga Penutupan Saham Unilever Indonesia Tbk. Periode September
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih 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 terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciADLN - Perpustakaan Universitas Airlangga ABSTRAK. viii
Muhammad Arif Santoso, 2015. Peramalan Penjualan Produk Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine. Skripsi ini dibawah bimbingan Auli Damayanti,S.Si, M.Si dan Dr. Herry Suprajitno,
Lebih terperinciPeramalan Data IHSG Menggunakan Metode Backpropagation
Peramalan Data IHSG Menggunakan Metode Backpropagation Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang, Indonesia hansun@umn.ac.id Diterima 31 Agustus 2012 Disetujui
Lebih terperinciSTUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
STUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Muh. Ishak Jumarang 1), Lyra Andromeda 2) dan Bintoro Siswo Nugroho 3) 1,3) Jurusan Fisika,
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciPENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM Nanik Susanti 1* 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciJARINGAN SYARAF TIRUAN PROPAGASI BALIK DALAM PREDIKSI PERSEDIAAN TERNAK SAPI POTONG ( STUDI KASUS DI WILAYAH SUMATERA BARAT )
JARINGAN SYARAF TIRUAN PROPAGASI BALIK DALAM PREDIKSI PERSEDIAAN TERNAK SAPI POTONG ( STUDI KASUS DI WILAYAH SUMATERA BARAT ) Rima Liana Gema, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia
Lebih terperinciPERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION ALGORITHM
JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI Vol.6 No. 2, Desember 217 : 8-91 PERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciPERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP)
PERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP) Apriliyah, Wayan Firdaus Mahmudy, Agus Wahyu Widodo Program Studi Ilmu Komputer Fakultas MIPA Universitas
Lebih 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 terperinciANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM)
ANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM) Hanura Ian Pratowo¹, Retno Novi Dayawati², Agung Toto Wibowo³ ¹Teknik Informatika,,
Lebih terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 004 Yogyakarta, 19 Juni 004 Klasifikasi Pola Menggunakan Jaringan Probabilistik Sri Kusumadewi Jurusan Teknik Informatika, Universitas Islam Indonesia Jl.
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciPERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN JARINGAN SARAF TIRUAN ELMAN DENGAN ALGORITME GRADIENT DESCENT ADAPTIVE LEARNING RATE
PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN JARINGAN SARAF TIRUAN ELMAN DENGAN ALGORITME GRADIENT DESCENT ADAPTIVE LEARNING RATE oleh BETA VITAYANTI M0110012 SKRIPSI Ditulis dan diajukan untuk
Lebih terperinciGambar 3.1 Desain Penelitian
METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Permalan Time Series, Harga Minyak Bumi, Jaringan Syaraf Tiruan, Backpropagation Pengumpulan Data Harga Minyak Bumi di Indonesia Perancangan
Lebih terperinciPENGGUNAAN JARINGAN SYARAF TIRUAN DENGAN METODE BACKPROPAGATION DALAM MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN (IHSG)
PENGGUNAAN JARINGAN SYARAF TIRUAN DENGAN METODE BACKPROPAGATION DALAM MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN (IHSG) Oleh: Wisnu HendroMartono, Dian Hartanti Teknik Informatika STT-PLN ABSTRAK Peramalan
Lebih 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 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 terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciBAB 1 PENDAHULUAN. saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Cepatnya perubahan fluktuasi harga index saham membuat para pemegang saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung. Saham yang mempunyai
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciPERAMALAN NILAI TUKAR MATA UANG MENGGUNAKAN ALGORITMA GRADIEN CONJUGATE DENGAN METODE FLETCHER-REEVES
PERAMALAN NILAI TUKAR MATA UANG MENGGUNAKAN ALGORITMA GRADIEN CONJUGATE DENGAN METODE FLETCHER-REEVES Wafistrietman Corris¹, Retno Novi Dayawati², Tjokorda Agung Budi Wirayuda³ ¹Teknik Informatika,, Universitas
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
Lebih 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 terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciPrediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation
Scientific Journal of Informatics Vol 3, No 1, Mei 2016 p-issn 2407-7658 http://journalunnesacid/nju/indexphp/sji e-issn 2460-0040 Prediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 menggambarkan desain penelitian peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode Jaringan Syaraf Tiruan Backpropagation.
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Barcode Rcognition System Using Backpropagation Neural Networks M. Kayadoe, Francis Yuni Rumlawang, Yopi Andry Lesnussa * Jurusan
Lebih terperinciANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES
ANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES Thomas Brian Universitas Trunojoyo Madura Bangkalan, Indonesia thomasbrian2112@yahoo.com Abstrak Salah satu algoritma
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Lebih 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 terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Fakultas Ilmu Komputer Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Fakultas Ilmu Komputer Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 Peramalan Harga Indeks Saham Hang Seng dengan Menggunakan Jaringan
Lebih terperinciUnnes Journal of Mathematics
UJM 2 (2) (2013) Unnes Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN ARIMA Dwi Prisita
Lebih terperinciPREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI PDAM KOTA MALANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 2, Juni 2016, hlm. 83-87 PREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI PDAM KOTA MALANG Daneswara
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciKLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK
KLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK Sri Kusumadewi Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta cicie@fti.uii.ac.id ABSTRACT More application often used
Lebih terperinciPERBANDINGAN METODE PEMULUSAN EKSPONENSIAL TUNGGAL DAN FUZZY TIME SERIES UNTUK MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN
PERBANDINGAN METODE PEMULUSAN EKSPONENSIAL TUNGGAL DAN FUZZY TIME SERIES UNTUK MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN SKRIPSI Oleh : TAUFAN FAHMI J2E008056 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciTeknik Pertanian, Fakultas Teknologi Pertanian, Universitas Jember Jalan Kalimantan No. 37 Jember, *
PERAMALAN JUMLAH PERMINTAAN UDANG BEKU PND MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN (JST) BACKPROPAGATION Forecasting of PND Frozen Shrimp Demand Using Artificial Neural Network Method (ANN) Backpropagation
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciPENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR ABSTRAK
PENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR Rosihan Ari Yuana Program Studi Pendidikan Matematika Universitas Sebelas Maret ABSTRAK Aplikasi jaringan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciBAB 3 METODE PENELITIAN
31 BAB 3 METODE PENELITIAN 3.1 Pengumpulan Data (Data gathering). Pengumpulan data harus mampu mendeskripsikan data yang ada, serta memiliki kontribusi terhadap pengetahuan. Data yang tidak lengkap perlu
Lebih terperinciBAB III METODOLOGI PENELITIAN
38 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Peramalan, Curah Hujan, Knowledge Discovery in Database, Jaringan Saraf Tiruan, Backpropagation, Optimalisasasi Backpropagation Pengumpulan
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
Lebih terperinciAnalisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi
Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi Kiki, Sri Kusumadewi Laboratorium Komputasi & Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinci2 2 ... v... 3 Santoso... 21 abawa... 29... 37... 53... 59... 67... 77 Yohakim Marwanta... 85... 89... 101 ... 109... 117 D. Jaringan Komputer Amirudd... 135 andha... 141... 151... 165 Syahrir... 171...
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION Restiana Putri Abstract - On a government agencies Badan Keluarga Berencana
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI
Media Informatika, Vol. 2, No. 2, Desember 2004, 1-11 ISSN: 0854-4743 JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI Kiki, Sri Kusumadewi Jurusan Teknik Informatika,
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 terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Metoda analisa data secara statistik dapat diaplikasikan untuk mendapatkan pengertian terhadap proses-proses yang berubah waktu yang sangat kompleks untuk dimodelkan secara analitik. Data pertama-tama
Lebih terperinciPemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat
Pemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat SKRIPSI Disusun oleh: MAULIDA NAJWA 24010212130028 DEPARTEMEN STATISTIKA
Lebih terperinciMODEL PERAMALAN HARGA SAHAM DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK TRIANA ENDANG
MODEL PERAMALAN HARGA SAHAM DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK TRIANA ENDANG SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini
Lebih terperinci