Peramalan Tingkat Suku Bunga Sertifikat Bank Indonesia Berdasarkan Data Fuzzy Time Series Multivariat
|
|
- Doddy Budiono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Jurna ILU DASAR, Vo. No., Ju 00: Peraaan Tngat Suu Bunga Sertfat Ban Indonesa Berdasaran Data Fuzzy Te Seres utvarat Forecastng Interest Rate of Ban Indonesa Certfcate Based on utvarate Fuzzy Te Seres Data ) Agus aan Abad, ) Subanar, ) Wdodo, 3) Sasubar Saeh ) Jurusan Penddan ateata, FIPA Unverstas Neger Yogyaarta ) Jurusan ateata, FIPA Unverstas Gadah ada Yogyaarta 3) Jurusan Iu Eono, Fautas Eonoa dan Bsns Unverstas Gadah ada Yogyaarta ABSTRACT The a of ths research s to estabsh a ode for forecastng nterest rate of Ban Indonesa Certfcate (BIC) based on sx-factors one-order fuzzy te seres data where the an factor s nterest rate of BIC and the secondary factors are nterest rate of depost, exchange rate, depost suppy, nfaton rate and oney suppy. Steps to forecastng nterest rate of BIC are based on Wang s ethod. The resut of ths research s that predcton of nterest rate of BIC usng utvarate fuzzy te seres ode has hgher accuracy than that usng neura networ ethod wth average forecastng error 3.56% and SE vaue Keywords: Fuzzy set, fuzzy te seres, forecastng, nterest rate of BIC PENDAHULUAN Saah satu ndator estaban pereonoan d Indonesa adaah besarnya tngat suu bunga Sertfat Ban Indonesa (SBI). Tngat suu bunga Sertfat Ban Indonesa aan epengaruh suatu ban daa enentuan tngat suu bunga tabungan atau deposto yang ahrnya dapat epengaruh nasabah daa enypan dananya d suatu ban. Tngat suu bunga SBI dapat dpengaruh oeh tngat suu bunga SBI sebeunya, tngat suu bunga deposto, tngat nfas, na tuar rupah terhadap doar Aera, uah tabungan, uah uang beredar dan estaban pereonoan duna serta eadaan pot daa neger. Kustono et a. (006) teah enentuan peraaan tngat suu bunga SBI dengan etode neura networ dengan rata-rata tngat esaahan predsnya 6,56%. Keeahan peodean dengan etode neura networ n adaah proses pebeaarannya (earnng) abat hususnya untu uuran data percobaan yang besar dan peodean neura networ tda transparan daa enggunaan nforas sebeunya. Daa beberapa tahun n teah berebang suatu peodean yang ddasaran pada data te seres dar suatu varabe ngust (fuzzy). Data te seres yang dean dsebut data fuzzy te seres. Song & Chsso (993a) teah engebangan peodean data fuzzy te seres dengan enggunaan persaaan reas fuzzy. Penentuan reas fuzzy daa peodean n enggunaan etode adan yatu enggunaan oposs axn dengan operator gabungan dan rsan. D daa peodean n pencaran reas fuzzy eeruan banya perhtungan sehngga tda efsen. Seanutnya Song & Chsso (993b, 994) engebangan ode fuzzy te seres unvarat untu order satu tenvarant dan te-varant. Peodean n ash eeruan perhtungan yang opes hususnya a aturan reasnya banya dan uga has peodeannya beu eberan tngat auras yang ba. Untu engatas ha n, Chen (996) ebuat ode fuzzy te seres dengan engeopoan reas fuzzy berdasaran antecedennya. Seanutnya Hwang et a. (998) enerapan ode fuzzy te seres untu eraaan uah pendaftar d unverstas Aabaa dengan cara epreds varansnya. Keudan Huarng (00) engebangan ode fuzzy te seres secara heurst dan eberan perhtungan yang ebh efsen dbandngan ode yang debangan oeh Chen (996). Pada peodean fuzzy te seres, penentuan panang nterva yang efetf pada pebentuan hpunan fuzzy sangat enentuan etepatan ode untu peraaan (Huarng 00). Keudan Chen (00) ebuat ode fuzzy te seres order tngg
2 06 Peraaan Suu Bunga. (Agus Abad et a.) untu eraaan uah pendaftar d unverstas Aabaa dan eberan tngat auras yang ebh ba dbandngan odeode sebeunya. ode-ode fuzzy te seres order satu uga debangan oeh Sah & Degtarev (004), Chen & Hsu (004). Peodean data fuzzy te seres utvarat teah dauan oeh Lee et a. (006) dan Jan et a. (007) yang prosedur perhtungannya ash sangat opes hususnya untu data yang banya. Seanutnya Abad et a. (007, 008c, 009) teah engebangan peraaan tngat suu bunga SBI berdasaran data fuzzy te seres unvarat dan eberan tngat preds yang ba. Seanutnya Abad et a. (008a, 008b) teah enerapan ode fuzzy untu peraaan tngat nfas d Indonesa. Tngat suu bunga SBI dapat dpengaruh oeh banya fator, oeh arena tu d daa penetan n, aan debangan peodean untu peraaan tngat suu bunga SBI berdasaran data fuzzy te seres utvarat. ETODE Fuzzy te seres utvarat Ja dberan hpunan seesta Y() t R, t..., 0,,,..., dengan f ( t ) (,, 3,...) adaah hpunan fuzzy yang ddefnsan padanya dan a F () t adaah oes dar f ( t ), aa Ft () dsebut fuzzy te seres pada Yt (). Jad fuzzy te seres F() t dapat dpandang sebaga varabe ngust dengan f () t sebaga na ngust yang ungn dar Ft (). Na dar F () t dapat berbeda-beda tergantung pada watu t sehngga Ft ( ) erupaan fungs t. Suatu fuzzy te seres F() t yang dpengaruh oeh ( F( t ), F ( t )), ( F t, F ( t )),..., ( ) ( F( t n), F ( t n)), dapat dnyataan dengan suatu reas fuzzy ( F( t n), F ( t n)),..., ( F t, F ( t )), ( ) ( F( t ), F ( t )) F() t dan reas fuzzy n dsebut ode peraaan fuzzy te seres order-n, -fator dengan F (), t F () t berturut-turut sebaga fator utaa dan fator seunder. Secara uu suatu reas fuzzy yang dnyataan dengan ( F( t n), F( t n),..., F ( t n)),..., ( F ( t ), F ( t ),..., F( t )), ( F( t ), F( t ),..., F ( t )) F() t () dsebut ode peraaan fuzzy te seres order-n, -fator, dengan F () t sebaga fator utaa dan F (),..., t F () t sebaga fator seunder. Seanutnya yang dasud dengan fuzzy te seres utvarat adaah fuzzy te seres order-n dan -fator dengan. Sepert daa peodean data te seres tradsona, pada peodean data fuzzy te seres, data tranng dgunaan untu enentuan hubungan dantara na data pada watu yang berbeda-beda. D daa fuzzy te seres, sean hubungan dantara na data, pengaaan seorang ah dapat dasuan untu penentuan ode. Pengaaan tersebut dnyataan daa pas JIKA, AKA yang dsebut reas fuzzy. Jad angah utaa daa peodean data fuzzy te seres adaah engdentfas data tranng dengan reas fuzzy. saan A ( t ),..., A ( t ) adaah N, N, hpunan fuzzy pada fuzzy te seres F ( t ), 0,,, 3,, n,,,, yang ontnu, nora dan engap, aa suatu aturan R : Ja ( x ( t n) adaah A ( t n ) dan, dan x ( t n) adaah A ( t n)) dan dan, ( x ( t ) adaah A ( t ) dan dan, x ( t ) adaah A ( t )), aa x ( t) adaah A ( t ),, () euvaen dengan reas fuzzy () dan sebanya. Oeh arena tu () dapat dpandang sebaga reas n fuzzy pada U V dengan U U... U R, V R dan μ ( x ( t n),..., x ( t ),..., x ( t n),..., x ( t )) A μ ( x ( t n))... μ ( x ( t ))... μ ( x ( t n)... μ ( t ),, A A A A,,, dengan A A, ( t n)... A, ( t )... A, ( t n)... A, ( t ). Defns reas fuzzy pada U V n aan dgunaan untu enentuan angah-angah peodean data fuzzy te seres. Prosedur peodean data fuzzy te seres utvarat dengan etode Wang Ja dberan N data tranng: ( x ( t ), p x ( t ),, x ( t ), x ()) t p,,3,..., N, p p p aa prosedur pebentuan ode fuzzy te seres order-, -fator dengan etode Wang (Wang 997) adaah sebaga berut: Langah. Defnsan hpunan seesta untu fator utaa dan fator seunder. saan U [ α, β ] R adaah hpunan seesta untu fator utaa dengan x ( t ), x ( t) [ α, β ] dan p p hpunan seesta untu fator seunder adaah V [ α, β ],,3,...,, dengan x ( t ) [ α, β ]. R n p
3 Jurna ILU DASAR, Vo. No., Ju 00: Langah. Defnsan hpunan fuzzy pada setap hpunan seesta. saan A ( t ),...,, A ( t ) adaah N N, hpunan fuzzy pada fuzzy te seres F ( t ) yang ontnu, nora dan engap d [ α, β ] R, 0,,,,3,...,. Langah 3. Tentuan reas fuzzy berdasaran data tranng. Untu setap pasang data tranng ( x ( t ), x ( t ),..., x ( t ); x ( t)), tentuan p p p p na eanggotaan dar x ( t ) d A ( t ) dan p, na eanggotaan dar x () t d p A,( ) t. Untu setap x ( t ), tentuan A ( t ) sehngga p *, μ ( x ( t )) μ ( x ( t )),, A * ( t ), p A,, ( t ), p,, N. Ahrnya untu setap pasang data tranng dapat dtentuan reas fuzzy ( A ( * t ), A ( * t ),..., A ( * t )) A ( ) * t.,,,, Ja ada reas fuzzy yang antecedennya saa tetap onseuensnya berbeda, aa reas fuzzy-reas fuzzy tersebut dataan sang onf. Ja dean, dph satu reas fuzzy yang epunya deraat asu. Deraat suatu reas fuzzy yang dbangun oeh sepasang data tranng ( x ( t ), x ( t ),..., x ( t ); x ( t)) p p p p ddefnsan sebaga ( μ A ( x ( t )) μ A ( x ( t ))... μ A ( x p ( t )) μ A ( x ( t)) ( t ) ( t ) ( t ) ( t) p p p * * * *,,,, Berdasaran angah n dperoeh reas fuzzy daa bentu: ( A ( t ), A ( t ),..., A ( t )) A ( t),, * * * *,,,,, 3,,. (3) Langah 4. Tentuan fungs eanggotaan untu setap reas fuzzy yang dhasan dar angah 3. Setap reas fuzzy dapat dpandang sebaga reas pada U V dengan U U... U R, V R, sehngga fungs eanggotaan untu reas fuzzy (3) adaah μ ( x ( t ), x ( t ),..., x ( t ); x ( t)) p p R p p μ ( x ( t )) μ ( x ( t ))... μ ( x ( t )) μ ( x ( t )) ) ) ) ( t ( t ( t A p A p A p p A ( t),,, * * * *, Langah 5. Ja dberan nput hpunan fuzzy A ( t ) pada U, tentuan output hpunan fuzzy A () t pada V untu setap reas fuzzy (3) yang ddefnsan sebaga berut: μ ( x ( t)) sup( μ ( x( t )) μ ( x( t ); x ( t)))) A A R x U dengan xt ( ) ( x( t ),..., x( t )). Langah 6. Tentuan output hpunan fuzzy A () t sebaga obnas dar hpunan fuzzy A (), t A (), t A (),..., t A () t dengan 3 μ ( x ( t)) ax( μ ( x ( t),..., μ ( x ( t))) A ( t A ( t A t ) ) ( ) ax (sup( μ ( x( t )) μ ( x( t ); x ( t))) x U A R A A, ( ) f t f f A x U f, ax (sup( μ ( x( t )) μ ( x ( t )) μ ( x ( t)))) Langah 7. Tentuan perraan output. Berdasaran angah 6, a dberan nput hpunan fuzzy A ( t ), aa perraan outputnya adaah hpunan fuzzy A () t dengan μ ( x ( t)) A () t ax (sup( μ ( x( t )) μ ( x ( t )) μ ( x ( t)))) A A, ( ) f t f f A x U f,. (4) Langah 8. Defuzzfas output. Ja output ode yang dngnan adaah hpunan fuzzy, aa berhent d Langah 7. Ja output yang dngnan adaah suatu bangan r, aa dauan defuzzfas. D daa penetan n, dgunaan fungs eanggotaan Gaussan * ( x ( t ) x ( t )) μ ( ( )) exp( ) A xt ( t ) untu a nput hpunan fuzzy A ( t ) dan dengan defuzzfer rata-rata pusat, aa perraan output rnya adaah, ( ) ( ( ),..., ( )) * ( x ( t ) x ( t )) a + σ, x t f x t x t * ( x ( t ) x ( t )) y exp( ) a + σ exp( ) (5) dengan y adaah pusat dar hpunan fuzzy A () t., Prosedur peodean data fuzzy te seres dapat dhat pada Gabar. HASIL DAN PEBAHASAN enurut Kustono et a. (006), fator-fator yang epengaruh tngat suu bunga SBI adaah tngat suu bunga SBI sebeunya, tngat suu bunga deposto, na tuar rupah terhadap doar Aera, uah deposto, tngat nfas dan uah uang beredar. D daa penetan n aan dtentuan ode peraaan tngat suu bunga SBI berdasaran data fuzzy te seres utvarat dengan pengebangan etode Wang yatu aan dpreds tngat suu bunga SBI buan e- berdasaran tngat suu bunga SBI, tngat suu bunga deposto, na tuar rupah terhadap doar Aera, uah deposto, tngat nfas dan uah uang beredar pada buan e-(-). Data dar Januar 999 sapa Januar 00 dgunaan untu tranng dan data dar
4 08 Peraaan Suu Bunga. (Agus Abad et a.) Tabe. Reas fuzzy yang dbangun berdasaran data fuzzy te seres order-, 6-fator untu tngat suu bunga SBI dengan etode Wang. rue (( x( t ), x ( t ), x ( t ), x ( t ), x ( t ), x ( t )) x () t rue (( x( t ), x ( t ), x ( t ), x ( t ), x ( t ), x ( t )) x () t (A4, B4, C7, D, E, F) A5 9 (A3, B, C7, D3, E8, F4) A3 (A5, B4, C6, D3, E8, F) A5 0 (A3, B, C6, D, E6, F4) A3 3 (A5, B4, C6, D3, E5, F) A4 (A3, B, C7, D3, E4, F4) A3 4 (A4, B3, C6, D5, E4, F) A0 (A3, B, C8, D6, E7, F4) A3 5 (A0, B, C5, D6, E4, F) A7 3 (A3, B, C8, D7, E8, F5) A3 6 (A7, B8, C, D3, E4, F) A4 4 (A3, B, C8, D7, E9, F7) A3 7 (A4, B5, C3, D3, E3, F) A3 5 (A3, B, C8, D9, E6, F5) A3 8 (A3, B3, C4, D, E3, F) A3 6 (A3, B3, C9, D, E7, F5) A4 9 (A3, B, C6, D0, E4, F) A3 7 (A4, B3, C0, D3, E7, F5) A4 0 (A3, B, C3, D4, E5, F3) A3 8 (A4, B3, C, D5, E6, F5) A4 (A3, B, C4, D9, E5, F) A 9 (A4, B3, C, D4, E7, F6) A4 (A, B, C3, D6, E8, F4) A 30 (A4, B3, C, D4, E8, F6) A5 3 (A, B, C4, D7, E8, F3) A 3 (A5, B3, C8, D0, E9, F6) A5 4 (A, B, C4, D7, E5, F3) A 3 (A5, B3, C7, D0, E5, F7) A5 5 (A, B, C4, D7, E4, F3) A 33 (A5, B5, C8, D, E6, F7) A5 6 (A, B, C5, D7, E6, F3) A 34 (A5, B5, C0, D6, E6, F7) A5 7 (A, B, C6, D8, E7, F3) A 35 (A5, B5, C0, D7, E8, F8) A5 8 (A, B, C6, D4, E6, F4) A3 36 (A5, B5, C0, D8, E8, F8) A5 Februar 00 sapa Januar 003 dgunaan untu testng. Seanutnya peraaan tngat suu bunga SBI dauan dengan enggunaan prosedur peodean data fuzzy te seres d atas. Hpunan seesta untu tngat suu bunga SBI, tngat suu bunga deposto, na tuar rupah terhadap doar Aera, uah deposto, tngat nfas dan uah uang beredar berturut-turut adaah [0, 40], [0, 40], [6000, 000], [360000, ], [-, 4], [40000, 90000]. Seanutnya ddefnsan hpunan fuzzy dengan fungs eanggotaan Gaussan pada setap hpunan seesta. D daa penetan n ddefnsan 6 hpunan fuzzy A, A,..., A pada hpunan 6 seesta dar tngat suu bunga SBI, 6 hpunan fuzzy B, B,..., B pada hpunan 6 seesta dar tngat suu bunga deposto, 3 hpunan fuzzy C, C,..., C pada [6000, 3 000], hpunan fuzzy D, D,..., D pada [360000, ], 3 hpunan fuzzy E, E,..., E pada [-, 4], hpunan fuzzy 0 F, F,..., F pada [40000, 90000]. Keudan berdasaran data tranng dan angah 3, dperoeh sebanya 36 reas fuzzy yang berbentu: ( A ( t ), B ( t ), C ( t ), D ( t ), E ( t ), F ( t )) A ( t) * Reas fuzzy yang dbangun dar data tranng dapat dhat pada Tabe. Keudan dengan enerapan Langah 4 sapa Langah 8 serta dengan persaaan (5) dperoeh perraan tngat suu bunga SBI dar buan Februar 00 sapa Januar 003 sepert terhat pada Tabe. Ketepatan ode fuzzy duur dengan na ean square error (SE) yatu 48 ( x ( t) f ( x( t ))) 37 SE dan persentase rata-rata esaahan peraaan untu data 48 x () t f ( x( t )) testng yatu 00% 37 x ( t) dengan x () t adaah tngat suu bunga SBI buan e-t dan f( x( t )) adaah perraan tngat suu bunga SBI buan e-t berdasaran ode fuzzy te seres dengan x( t ) ( x ( t ), x ( t ), x ( t ), x ( t ), x ( t ), x ( t )) Berdasaran Tabe, peraaan tngat suu bunga SBI dengan ode fuzzy te seres epunya persentase rata-rata esaahan peraaan sebesar 3,56% dan na SE 0,699. Has n ebh ba a dbandngan dengan has yang dperoeh dengan etode neura networ yang dauan oeh Kustono et a. (006) dengan persentase rata-rata esaahan peraaan sebesar 6,56% dan na SE,509. Perbandngan has peraaan tngat suu bunga SBI dengan etode neura networ dan ode fuzzy te seres dapat dhat pada Tabe.
5 Jurna ILU DASAR, Vo. No., Ju 00: Input x (t-), x (t-),,x (t-) N data tranng Tentuan hpunan seesta untu fator utaa dan fator seunder Bentu hpunan fuzzy N,, N Bentu reas fuzzy Tda Konf Ya Ph reas fuzzy dengan deraat asu Bentu sebanya reas fuzzy Tentuan fungs eanggotaan untu setap reas fuzzy Tentuan output hpunan fuzzy A (t) dar setap reas fuzzy Tentuan output hpunan fuzzy A(t) sebaga obnas dar A (t) Defuzzfas Peraaan Gabar. Prosedur peraaan data fuzzy te seres utvarat dengan enggunaan etode Wang.
6 0 Peraaan Suu Bunga. (Agus Abad et a.) Tabe. Perbandngan has peraaan tngat suu bunga SBI dengan etode neura networ dan ode fuzzy te seres. No. Buan Peraaan tngat suu bunga SBI (%) etode Tngat suu bunga SBI neura networ ode fuzzy te sebenarnya (%) seres Februar 00 6,89 6,63 7,349. aret 00 6,8 6,699 6, Apr 00 6,67 5,579 6, e 00 6,03 5,083 6, Jun 00 5,4 4,460 5, Ju 00 4,88 3,75 4,85 7. Agustus 00 4,6 3,4 4, Septeber 00 3,64 3,360 4,34 9. Otober 00 3,06 3,53 3, Noveber 00 3,07 3,33 3,459. Deseber 00 3,00 9,847 3,464. Januar 003,79,446 3,404 Rata-rata persentase esaahan peraaan (%) 6,56 3,56 SE,509 0,699 Gabaran tngat suu bunga SBI yang sebenarnya dengan na perraannya berdasaran ode fuzzy te seres dapat dhat pada Gabar. Gabar. Tngat suu bunga SBI yang sebenarnya dan na perraannya dengan ode fuzzy te seres. KESIPULAN Peodean tngat suu bunga SBI berdasaran data fuzzy te seres utvarat epunya eebhan dbandngan peodean dengan neura networ sebab proses peodean data fuzzy te seres enggunaan nforas daa bentu aturan yang ddasaran pada data sape dan pengetahuan ah serta transparan daa pengaban eputusan sehngga udah untu du dan dpaha. Peraaan tngat suu bunga SBI dauan dengan etode Wang yang ddasaran pada data fuzzy te seres order- dan 6-fator. Berdasaran persentase rata-rata esaahan peraaan dan na SE, peraaan tngat suu bunga SBI berdasaran data fuzzy te seres utvarat epunya tngat eauratan yang ebh tngg dbandngan dengan etode neura networ. Pada tusan n, banyanya hpunan fuzzy yang dbangun dtetapan terebh dahuu. Banyanya hpunan fuzzy yang ddefnsan pada fator utaa dan fator seunder epengaruh eauratan ode fuzzy yang dhasan. Oeh arena tu pada penetan seanutnya, aan debangan etode untu enentuan banyanya hpunan fuzzy yang opta. DAFTAR PUSTAKA Abad A, Subanar, Wdodo & Saeh S Forecastng Interest Rate of Ban Indonesa Certfcate Based on Unvarate Fuzzy Te Seres. Internatona Conference on atheatcs and Its appcatons SEAS. Gadah ada Unversty. Abad A, Subanar, Wdodo & Saeh S. 008a. Constructng Copete Fuzzy Rues of Fuzzy ode Usng Snguar Vaue Decoposton. Proceedngs of The Internatona Conference on atheatcs, Statstcs and Appcatons (ICSA). Syah Kuaa Unversty. : 6-66.
7 Jurna ILU DASAR, Vo. No., Ju 00: 05- Abad A, Subanar, Wdodo & Saeh S. 008b. Desgnng Fuzzy Te Seres ode and Its Appcaton to Forecastng Infaton Rate. 7 Th Word Congress n Probabty and Statstcs. Natona Unversty of Sngapore. Abad A, Subanar, Wdodo & Saeh S. 008c. A New ethod for Generatng Fuzzy Rue fro Tranng Data and Its Appcaton n Fnaca Probes. The Proceedngs of The 3 rd Internatona Conference on atheatcs and Statstcs (ICoS-3). Insttut Pertanan Bogor. Abad A, Subanar, Wdodo & Saeh S Desgnng Fuzzy Te Seres ode Usng Generazed Wang s ethod and Its Appcaton to Forecastng Interest Rate of Ban Indonesa Certfcate. Proceedngs of The Frst Internatona Senar on Scence and Technoogy. Isac Unversty of Indonesa. Chen S Forecastng Enroents Based on Fuzzy Te Seres. Fuzzy Sets and Systes. 8: Chen S. 00. Forecastng Enroents Based on Hgh-order Fuzzy Te Seres. Cybernetcs and Systes Journa. 33: -6. Chen S & Hsu CC A New ethod to Forecastng Enroents Usng Fuzzy Te Seres. Internatona Journa of Apped Scences and Engneerng. (3): Huarng K. 00. Heurstc odes of Fuzzy Te Seres for Forecastng. Fuzzy Sets and Systes. 3: Hwang JR, Chen S & Lee CH Handng Forecastng Probes Usng Fuzzy Te Seres. Fuzzy Sets and Systes. 00: 7-8. Jan TA, Burney SA & Ard C utvarate Hgh Order Fuzzy Te Seres Forecastng for Car Road Accdents. Internatona Journa of Coputatona Integence. 4(): 5-0. Kustono, Supryad & Susno T Peraaan Suu Bunga Sertfat Ban Indonesa dengan enggunaan Jarngan Syaraf Truan. [Laporan penetan dosen uda, Unverstas Neger Yogyaarta, Yogyaarta]. Lee LW, Wang LH, Chen S & Leu YH Handng Forecastng Probes Based on Twofactors Hgh Order Fuzzy Te Seres. IEEE Transactons on Fuzzy Systes. 4(3): Sah & Degtarev KY Forecastng Enroents ode Based on Frst-order Fuzzy Te Seres. Transacton on Engneerng, Coputng and Technoogy VI. Enforata. VI: Song Q & Chsso BS. 993a. Forecastng Enroents wth Fuzzy Te Seres, Part I. Fuzzy Sets and Systes. 54: -9. Song Q & Chsso BS. 993b. Fuzzy Te Seres and Its odes. Fuzzy Sets and Systes Song Q & Chsso BS Forecastng Enroents wth Fuzzy Te Seres, Part II. Fuzzy Sets and Systes. 6: -8. Wang LX A Course n Fuzzy Systes and Contro. Upper Sadde Rver: Prentce-Ha, Inc.
Kata kunci: system fuzzy, inflasi
Pemodean Tngat Infas d Indonesa dengan -- gus aman bad & uhson PEODEL TIGKT IFLSI DI IDOESI DEG EGGUK SISTE FUZZY Oeh: gus aman bad Staf pengajar d FIP Unverstas eger Yogaarta uhson Staf Pengajar Fautas
Lebih terperinciNilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4
Statsta, Vo. 7 No. 2, 65 71 Nopember 27 Na Krts Permutas Esa untu Anova Satu Arah Krusa-Was pada Kasus Banyanya Sampe, = 4 Inne Maran, Yayat Karyana, dan Aceng Komarudn Mutaqn Jurusan Statsta FMIPA Unsba
Lebih terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciBAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA
BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)
Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,
Lebih terperinciPENAKSIR PRODUK YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA DAN SAMPLING BERPERINGKAT
PEAKSIR PRODUK AG EFISIE UUK RAA-RAA POPULASI PADA SAMPLIG ACAK SEDERHAA DA SAMPLIG BERPERIGKA Dw Andn *, Frdaus, Arsan Adnan Mahasswa Progra S Mateata Dosen Jurusan Mateata Faultas Mateata Ilu Pengetahuan
Lebih terperinciBAB 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran
Lebih terperinciPENERAPAN LOGIKA FUZZY DALAM PENGAMBILAN KEPUTUSAN UNTUK JALUR PEMINATAN MAHASISWA
onferens Nasonal Sste dan Inforatka 09; Bal, Noveber 4, 09 PENERAPAN LOGIA FUZZY DALAM PENGAMBILAN EPUTUSAN UNTU JALUR PEMINATAN MAHASISWA Sauel Lukas*, Melayana**, Wlla Sson* * Jurusan Teknk Inforatka
Lebih terperinciINVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN
Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu
Lebih terperinciSTUDI KOMPARASI METODE KLASTERISASI DATA K-MEANS DAN K-HARMONIC MEANS
STUDI OMPARASI METODE LASTERISASI DATA -MEANS DAN -HARMONIC MEANS I Made Wdartha Jurusan Imu omputer, Fautas Matemata dan Imu Pengetahuan Aam, Unverstas Udayana ema : madewdartha@cs.unud.ac.d Abstra Saah
Lebih terperinciOPTIMALISASI MODEL NEURO FUZZY UNTUK DATA TIME SERIES DENGAN METODE DEKOMPOSISI NILAI SINGULAR
LAPORAN HASIL PENELITIAN HIBAH FUNDAMENTAL OPTIMALISASI MODEL NEURO FUZZY UNTUK DATA TIME SERIES DENGAN METODE DEKOMPOSISI NILAI SINGULAR Oeh: Dr. Agus Maman Abad, S.S., M.S. (Ketua) Dr. Dhorva Urwatu
Lebih terperinciAnalisis Sensitivitas
Analss Senstvtas Terdr dar aa : Analss Senstvtas, bla terad perubahan paraeter seara dsrt Progra Lnear Paraetr, bla terad perubahan paraeter seara ontnu Maa-aa perubahan pasa optu: Perubahan suu tetap,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih terperinciBAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh
BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla
Lebih terperinciKarakterisasi Matrik Leslie Ordo Tiga
Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember
Lebih terperinciT 17 Penerapan Model Fuzzy Dengan Metode Table Look-Up Scheme Untuk Memprediksi Indeks Harga Saham Gabungan (Ihsg)
PROSIDING ISBN : 978 979 6353 6 3 T 7 Penerapan Mode Fuzz Dengan Metode Tabe Look-Up Scheme Untuk Mempredks Indeks Harga Saham Gabungan Ihsg Oeh : Prhatn Tr Rahaunngsh Prod Matematka, FMIPA Unverstas Neger
Lebih terperinciBAB II TEORI DASAR. Analisis Kelompok
BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan
Lebih terperinciPEMODELAN DATA FUZZY TIME SERIES DENGAN MENGGUNAKAN DEKOMPOSISI NILAI SINGULAR DAN APLIKASINYA PADA PERKIRAAN TINGKAT INFLASI DI INDONESIA
Peodelan Data Fuzzy Tie Series dengan Menggunakan Dekoposisi Nilai Singular dan Aplikasinya pada Perkiraan Tingkat Inflasi di Indonesia (Agus Maan Abadi) PEMODELAN DATA FUZZY TIME SERIES DENGAN MENGGUNAKAN
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
Lebih terperinciBab III. Plant Nonlinear Dengan Fase Nonminimum
Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear
Lebih terperinciBAB II DIMENSI PARTISI
BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan
Lebih terperinciIII FUZZY GOAL LINEAR PROGRAMMING
7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang
Lebih terperinciKLASTERISASI DATA IRIS MENGGUNAKAN METODE BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
Program Stud MMT-ITS, Surabaya 23 Ju 2011 LASTERISASI DATA IRIS MENGGUNAAN METODE BERBASIS ARTIFICIAL BEE COLONY DAN -HARMONIC MEANS I Made Wdartha, Agus Zana Arfn, Anny Yunart Jurusan Teknk Informatka,
Lebih terperinciBAB III PENGAMBILAN KEPUTUSAN DISPLACED IDEAL. Inti dari pengambilan keputusan adalah memilih alternatif, tentunya harus
40 BAB III PENGAMBILAN KEPUTUSAN DISPLACED IDEAL 3.1. Pengamban Keputusan Int dar pengamban keputusan adaah memh aternatf, tentunya harus aternatf yang terbak (the best aternatve). Tujuan dar anass keputusan
Lebih terperinciESTIMASI INTERVAL SPLINE DALAM REGRESI NONPARAMETRIK
Tess ESTIMASI INTERVAL SPLINE DALAM REGRESI NONPARAMETRIK Oleh : MUHAMMAD NAFI NRP.304008 PROGRAM PASCASARJANA PROGRAM STUDI STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla
Lebih terperinciU JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK
Jurusan Ten Spl dan Lngungan FT UGM U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK SENIN, 4 JANUARI 23 OPEN BOOK WAKTU MENIT PETUNJUK ) Saudara tda boleh menggunaan omputer untu mengerjaan soal- soal ujan
Lebih terperinciIII. METODOLOGI. percobaan sedang( σ = 5), keragaman interaksi kecil ( σ = 1) dan keragaman
III. METODOLOGI 3.. Data Data yang akan dgunakan daa penetan n ada dua ens data pertaa adaah data yang dbangktkan daa progra suas yang drancang sedekan rupa sehngga eungknkan untuk ehat knera dar penduga
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata
Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola
Lebih terperinciPenaksiran Parameter dari Variansi Vektor pada Pengujian Hipotesis Kesamaan Matriks Kovariansi
Vol. 3 No. 7-77 Jul 06 Penasan Paaete da Vaans Veto ada Pengujan Hotess Kesaaan Mats Kovaans Nasah Sajang Absta Vaans veto euaan salah satu uuan dses data yang ddefnsan sebaga julah da seua eleen dagonal
Lebih terperinciIMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN
E-Jurnal Matemata Vol. 5 (4), November 2016, pp. 126-132 ISSN: 2303-1751 IMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN I Made Dw Udayana Putra 1, G. K. Gandhad
Lebih terperinciPEMODELAN HARGA SAHAM DENGAN GEOMETRIC BROWNIAN MOTION DAN VALUE AT RISK PT CIPUTRA DEVELOPMENT Tbk
ISSN: 339-54 JURNAL GAUSSIAN, Volume 6, Nomor, Tahun 07, Halaman 6-70 Onlne d: http://ejournal-s.undp.ac.d/ndex.php/gaussan PEMODELAN HARGA SAHAM DENGAN GEOMETRIC BROWNIAN MOTION DAN VALUE AT RISK PT CIPUTRA
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciPenerapan Aljabar Matrik Dalam Analisa Masukan-Keluaran Elistya Rimawati 6)
ISSN : 693 73 Penerapan Aljabar Matrk Dala Analsa Masukan-Keluaran Elstya Rawat 6) Abstrak Analsa asukan-keluaran bertolak dar anggapan bahwa suatu sste perekonoan terdr atas sector-sektor yang salng berkatan.
Lebih terperinciPENAKSIR RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN SAMPLING ACAK SEDERHANA DAN SAMPLING BERPERINGKAT. ABSTRACT 1.
PEAKSIR RASIO UTUK RATA-RATA POPULASI MEGGUAKA SAMPLIG ACAK SEDERHAA DA SAMPLIG BERPERIGKAT Ryan Aresta Ral Suroso, Arsan Adnan, Rusta Efend r_yand7045@yaoo.co Maasswa Progra S Mateatka Dosen Jurusan Mateatka
Lebih terperinciKOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda
KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,
Lebih terperinciSISTEM DETEKSIRETINOPATI DIABETIKA MENGGUNAKAN SUPPORT VECTOR MACHINE
Vo 3, No 3Desember 03 ISSN 088-30 SISEM DEEKSIREINOPAI DIABEIKA MENGGUNAKAN SUPPOR VECOR MACHINE Wahyud Setawan, Ftr Damayant Manaemen Informata, Unverstas runooyo J. Raya eang PO. BOX, Kama, Bangaan,Madura
Lebih terperinciANALISIS PERBANDINGAN METODE FUZZY C-MEANS DAN SUBTRACTIVE FUZZY C-MEANS. Baiq Nurul Haqiqi 1, Robert Kurniawan 2. Abstract
Analss Perbandngan (Baq urul Haqq) AALISIS PERBADIGA METODE FUZZY C-MEAS DA SUBTRACTIVE FUZZY C-MEAS Baq urul Haqq, Robert Kurnawan, Jurusan Koputas Statst, Seolah Tngg Ilu Statst (STIS) Eal: qq0693@naver.o,
Lebih terperinciBAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)
BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang
Lebih terperinciPERBANDINGAN PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN SUPPORT VECTOR MACHINE DAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK
Perbandngan Peramaan Beban I N. Setawan, Wdyad Setawan PERBANDINGAN PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN SUPPORT VECTOR MACHINE DAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK I Nyoman Setawan,
Lebih terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciModel Peramalan Pasokan Energi Primer Dengan Pendekatan Metode Fuzzy Linear Regression (FLR)
JURNAL TEKNIK POMITS Vol, No, (22) -6 Model Peraalan Pasokan Energ Prer Dengan Pendekatan Metode Fuzzy Lnear Regresson (FLR) Hkayangkara Putr Purwareta, Nur Wahyunngsh 2, dan I Gust Ngurah Ra Usadha 3
Lebih terperinciUSULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG
Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,
Lebih terperinciBAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode
BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Analss Model Loglner Untu data yang bersfat ategor dan dapat dbentu pada suatu tabel ontngens, dapat danalss dengan analss odel loglner. Model loglner dgunaan untu enganalss eungnan
Lebih terperinciModel Peramalan Pasokan Energi Primer Dengan Pendekatan Metode Fuzzy Linear Regression (FLR)
JURNAL SAINS DAN SENI ITS Vol 1, No 1, (Sept 2012) ISSN: 2301-928 A-34 Model Peraalan Pasokan Energ Prer Dengan Pendekatan Metode Fuzzy Lnear Regresson (FLR) Hkayangkara Putr Purwareta, I Gust Ngurah Ra
Lebih terperinciVI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Permasalahan Cutting Stock Satu Dimensi
A 2 LANDASAN TEORI 2. Perasalahan Cuttng Stoc Satu Dens Perasalahan Cuttng stoc erupaan suatu perasalahan ang uncul arena bana paa aplasna ala bang pernustran. Msalan ala pernustran au, bagaana eanaeen
Lebih terperinciBenyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN
METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.
Lebih terperinciBAB III MODUL INJEKTIF
BAB III ODUL INJEKTIF Bab n adalah bab yang palng pentng arena bab n bers mula dar hal-hal dasar mengena modul njet sampa sat-sat stmewanya yang tda dml oleh modul lan yang tda njet, yang merupaan ous
Lebih terperinci2 i. . Kebolehjadian total n set nilai adalah: y terhadap y dicapai jika faktor
Pencocokan Data. Pencocokan Data ke Gars Lurus Msakan kta mempunya n ttk data ekspermenta (, y ) dan dketahu bahwa hubungan teorts antara dan y adaah hubungan near (persamaan gars urus) dengan persamaan:
Lebih terperinciPEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE
PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.
Lebih terperinciSTUDI KOMPARASI IMPLEMENTASI JARINGAN BASIS RADIAL DAN FUZZY INFERENCE SYSTEM TSK UNTUK PENYELESAIAN CURVE FITTING
STUDI KOPARASI IPEENTASI JARINGAN BASIS RADIA DAN FUZZY INFERENCE SYSTE TSK UNTUK PENYEESAIAN CURVE FITTING Sri Kusumadewi Teni Informatia Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyaarta cicie@fti.uii.ac.id
Lebih terperinciPenerapan Kendali Logika Fuzzy+Proportional Integral pada Modul Process Control Simulator PCS 327 MK2
Penerapan Kenda Logka Fuzzy+Proportona Integra pada Modu Process Contro Smuator PCS 327 MK2 Wrastawa Rdwan Jurusan Teknk Eektro Unverstas Neger Gorontao ema : r1space@yahoo.com Abstrak. Respon output yang
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 1-10, April 2001, ISSN :
JURNAL MATEMATIKA DAN KOMUTER Vol.. No., -, Aprl, ISSN : -88 ENDEKATAN RERESI OLINOMIAL ORTHOONAL ADA RANCANAN DUA FAKTOR (DENAN ALIKASI SAS DAN MINITAB) Tat Wharh Jurusan Matemata FMIA UNDI Abstra eneatan
Lebih terperinciPEMODELAN SISTEM TANGKI-TERHUBUNG DENGAN MENGGUNAKAN MODEL FUZZY TAKAGI-SUGENO
28 MAKARA, EKOLOGI, VOL. 1, O. 1, APRIL 26: 28-33 PEMODELA SISEM AGKI-ERHUBUG DEGA MEGGUAKA MODEL FUZZY AKAGI-SUGEO Ares Subantoro Departeen Eletro, Faultas en, Unverstas Indonesa, Depo 16424, Indonesa
Lebih terperinciPEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF
PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak
Lebih terperinciPERFORMANSI NEURO FUZZY UNTUK PERAMALAN DATA TIME SERIES
Semnar Nasonal Aplkas Teknolog Informas 007 (SNATI 007) ISSN: 1907-50 Yogyakarta, 16 Jun 007 PERFORMANSI NEURO FUZZY UNTUK PERAMALAN DATA TIME SERIES Arna Farza, Afrda Helen, Annsa Rasyd Polteknk Elektronka
Lebih terperinciEVALUASI KESTABILAN PERALIHAN MESIN TUNGGAL DENGAN METODA RUNGE KUTTA ORDE 4 (Studi Kasus : Sistem Kelistrikan Sumatera)
Vo: 3 No. Maret 04 ISSN: 30-949 EVALUASI KESTABILAN PERALIHAN MESIN TUNGGAL DENGAN METODA RUNGE KUTTA ORDE 4 (Stud Kasus : Sstem Kestran Sumatera) Heru Dbyo Lasono, Arno Rz Ramadhan Jurusan Ten Eetro,
Lebih terperinciPelabelan Total Sisi Ajaib Pada Subkelas Pohon
Pelabelan Total Ss Ajab Pada Subkelas Pohon Hlda Rzky Nngtyas, Dr Daraj, SS, MT [] Jurusan Mateatka, Fakultas MIPA, Insttut Teknolog Sepuluh Nopeber (ITS Jl Aref Rahan Hak, Surabaya 60 E-al: daraj@ateatkatsacd
Lebih terperinciKLASIFIKASI CITRA DENGAN SUPPORT VECTOR MACHINE PADA SISTEM TEMU KEMBALI CITRA
Semnar Nasona Sstem dan Informatka 007; Ba, 6 November 007 SNSI07-036 KLASIFIKASI CITRA DENGAN SUPPORT VECTOR MACHINE PADA SISTEM TEMU KEMBALI CITRA Yen Herden, Agus Buono, Vta Yua Noornawat Departemen
Lebih terperinciOptimasi Baru Program Linear Multi Objektif Dengan Simplex LP Untuk Perencanaan Produksi
JURNA INFORMATIKA, Vol.4 No.2 September 27, pp. 222~229 ISSN: 2355-6579 E-ISSN: 2528-2247 222 Optmas Baru Program near Mult Objetf Dengan Smplex P Untu Perencanaan Produs Maxs Ary Am BSI Bandung e-mal:
Lebih terperinciMETODE LEVENBERG MARQUARDT UNTUK MASALAH KUADRAT TERKECIL NONLINEAR
PROSIDING ISBN : 978 979 6353 3 MEODE LEVENBERG MARQUARD UNUK MASALAH KUADRA ERKECIL NONLINEAR -8 Lusa Krsyat Budash Progra Stud Mateatka Unverstas Sanata Dhara Yogyakarta lusa_krs@sta.usd.ac.d Abstrak
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya
Lebih terperinciBab VII Contoh Aplikasi
Bab VII Contoh Aplkas Dala bab n akan dberkan lustras tentang aplkas statstk penguj VVVS dala eontor kestablan atrks korelas pada proses produks dudukan kabel tegangan tngg (flange) d PT PINDAD (Persero).
Lebih terperinciBAB V INTEGRAL KOMPLEKS
6 BAB V INTEGRAL KOMPLEKS 5.. INTEGRAL LINTASAN Msal suatu lntasan yang dnyatakan dengan : (t) = x(t) + y(t) dengan t rl dan a t b. Lntasan dsebut lntasan tutup bla (a) = (b). Lntasan tutup dsebut lntasan
Lebih terperinciPeramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting
Peramalan Produks Sayuran D Kota Pekanbaru Menggunakan Metode Forcastng Esrska 1 dan M. M. Nzam 2 1,2 Jurusan Matematka, Fakultas Sans dan Teknolog, UIN Sultan Syarf Kasm Rau Jl. HR. Soebrantas No. 155
Lebih terperinciBAB III SAMPLING BERKELOMPOK DAN SAMPLING BERKELOMPOK DENGAN PROBABILITY PROPORTIONAL TO SIZE (PPS)
BAB III SAPLING BERKELOPOK DAN SAPLING BERKELOPOK DENGAN PROBABILITY PROPORTIONAL TO SIZE (PPS) 3. Saplng Berkelopok Populas elk konds yang berbeda beda jka dlhat berdasarkan ukurannya. Pada pebahasan
Lebih terperinciFUZZY PREFERENCE RELATION UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN MULTI-CRITERIA PEMILIHAN SUPPLIER
Konferens Nasonal Sste dan Inforata 2008; Bal, Noveber 5, 2008 FUZZY PREFERENCE RELATION UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN MULTI-CRITERIA PEMILIHAN SUPPLIER Gregorus S. Budh ), Isa Irawan 2), Jan S.
Lebih terperinciImplementasi Sistem Pengenalan Kata pada Mikrokontroler Keluarga MCS51
Ipeentasi Siste Pengenaan Kata pada Mikrokontroer Keuarga MCS51 Thiang Jurusan Teknik Eektro, Universitas Kristen Petra Siwaankerto 121-131, Surabaya eai : thiang@petra.ac.id Abstrak-Makaah ini eaparkan
Lebih terperinciSISTEM JARINGAN SYARAF KABUR SKRIPSI. Diajukan untuk Memenuhi Salah Satu Syarat. Memperoleh Gelar Sarjana Sains. Program Studi Matematika
SISTEM JARINGAN SYARAF KABUR SKRIPSI Dauan untu Memenuh Salah Satu Syarat Memperoleh Gelar Sarana Sans Program Stud Matemata Dsusun oleh: Ssra Mardawat NIM : 0534006 PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA
Lebih terperinciPELABELAN TOTAL SISI TAK BERATURAN PADA GRAF GABUNGAN BIPARTIT LENGKAP
JMP : Volume 1 Nomor 2, Oktober 2009 PELABELAN TOTAL SISI TAK BERATURAN PADA GRAF GABUNGAN BIPARTIT LENGKAP Tryan dan Nken Larasat Fakultas Sans dan Teknk, Unverstas Jenderal Soedrman Purwokerto, Indonesa
Lebih terperinciJARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU
JARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU Ea Saputra LF096585 Jurusan Ten Eletro Faultas Ten Unverstas Dponegoro Abstra Jarngan saraf truan merupaan suatu metode yang salah satunya
Lebih terperinciSISTEM REKOMENDASI: BUKU ONLINE DENGAN METODE COLLABORATIVE FILTERING. Program Studi Teknik Informatika, Universitas Trunojoyo Madura
Vo. 7 No. 1 Agustus 014 SISTEM REKOMENDASI: BUKU ONLINE DENGAN METODE COLLABORATIVE FILTERING Moh. Irfan 1, Andharini Dwi C, Fia Hastarita R. 3 1,,3 Progra Studi Teni Inforatia, Universitas Trunojoyo Madura
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciLINIERITAS INTEGRAL HENSTOCK-PETTIS PADA RUANG EUCLIDE R n
LINIERITS INTEGRL HENSTOCK-PETTIS PD RUNG EUCLIDE R n Harur Rahan Jurusan Mateatka Fakultas Sans Teknolog Unverstas Isla Neger Maulana Malk Ibrah Malang BSTRCT In ths paper we study Henstock-Petts ntegral
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciPENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD
ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar
Lebih terperinciMETODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR
METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,
Lebih terperinciINTEGRASI METODE FUZZY ADDITIVE SVM (FASVM) MENGGUNAKAN MODEL WARNA YUV-CMY-HSV UNTUK KLASIFIKASI BIBIT UNGGUL SAPI BALI MELALUI CITRA DIGITAL
Jurna Teknoog Inforas dan Iu Koputer (JTIIK) Vo. 2, No. 2, Oktober 2015, h. 110-115 INTEGRASI METODE FUZZY ADDITIVE SVM (FASVM) MENGGUNAKAN MODEL WARNA YUV-CMY-HSV UNTUK KLASIFIKASI BIBIT UNGGUL SAPI BALI
Lebih terperinciSISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS
SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS A8 M. Andy Rudhto 1 1 Program Stud Penddkan Matematka FKIP Unverstas Sanata Dharma Kampus III USD Pangan Maguwoharjo Yogyakarta 1 e-mal: arudhto@yahoo.co.d
Lebih terperinciPENGENALAN CITRA WAJAH MENGGUNAKAN METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT ANALYSIS DAN SUPPORT VECTOR MACHINE
Vo. 5, No. 3, Januar 00 IN 06-0544 PENGENAAN CIA WAJAH MENGGUNAKAN MEODE WO-DIMENIONA INEA DICIMINAN ANAYI DAN UPPO VECO MACHINE * Ftr Damayant, Agus Zana Arfn, uy oeaman Program Magster en Informata,I
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Ihwannul Khols, ST. MT. Unverstas 7 Agustus 945 Jaarta hols27@gmal.com Abstra Pengenalan pola data
Lebih terperinciPERMASALAHAN LOKASI (Model Dasar) [2]
PERMASALAHAN LOKASI Model Dasar [] Technques of Contnuous Space Locaton Probles Medan ethod» Rectlner / Manhattan / Ct bloc dstance Contour-Lne ethod» Constructs regons bounded b counter lne hch provde
Lebih terperinciMedian Method. Types of Distance Rectilinear distance / Manhattan distance / City block distance / rigth-angle distance / rectangular distance
30/05/04 Technques of Contnuous Space Locaton Probles PERMASALAHAN LOKASI Model Dasar [] Medan ethod» Rectlner / Manhattan / Ct bloc dstance Contour-Lne ethod» Constructs regons bounded b counter lne hch
Lebih terperinciMODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)
Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar
Lebih terperinciTEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA
IndoMS Journal on Statstcs Vol, No (4), Page 39-49 TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA Arum Handn Prmandar, Abdurahman Jurusan
Lebih terperinciJurnal Pendidikan Matematika & Matematika
Jurnal Penddkan Mateatka & Mateatka Syasah. (2011). Pengaruh Puasa Terhadap Konsentras Belajar Sswa. Jakarta: UIN Syarf Hdayatullah Jakarta. Thabrany, Hasbullah. (1995). Rahasa Sukses Belajar. Jakarta:
Lebih terperinciPerbandingan Klasifikasi Tingkat Keganasan Breast Cancer Dengan Menggunakan Regresi Logistik Ordinal Dan Support Vector Machine (SVM)
JURNAL SAINS DAN SENI IS Vo., No., (Sept. 0) ISSN: 30-98X D-30 Perbandngan Kasfas ngat Keganasan Breast Cancer Dengan Menggunaan Regres Logst Ordna Dan Support Vector Machne (SVM) Farz rachman dan Sant
Lebih terperincie + Dengan menggunakan transformasi logit dari π(x), maka model regresi fungsi logit dapat didefinisikan sebagai berikut (2) π(x) e
ANALISIS PEMAKAIAN KEMOTERAPI PADA KASUS KANKER PAYUDARA DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL (STUDI KASUS PASIEN DI RUMAH SAKIT X SURABAYA Aref Yudssanta, dan Dra. Madu Ratna, M.S Jurusan
Lebih terperinciIV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN
69 IV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN Dtnau dar sfat hubungan antar persamaan terdapat dua ens model persamaan yatu model persamaan tunggal dan model sstem persamaan. Model persamaan tunggal adalah
Lebih terperinci*Corresponding Author:
Prosdng Senar Sans dan Teknolog FMIPA Unul Perode Maret 016, Saarnda, Indonesa ISBN: 978-60-7658-1-3 Pengendalan Kualtas Produk Menggunakan Peta Kendal T Hotellng Dan Analss Keapuan Proses Untuk Data Multvarat
Lebih terperinciDelay System II. Sistem Antrian M/M/m
03/2/202 Deay Syste II Siste Antrian M/M/ Kedatangan panggian : oisson arriva Service tie : exponentiay distributed Juah server : anjang antrian : ta terhingga Diagra transisi ondisi 0 2 + 2 3 = syste
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Senar asonal Aplas enolog Inforas 004 ogyaarta, 9 Jun 004 Perancangan Jarngan Syaraf ruan Upan Bal Berbass ndows Stud Kasus Pengenalan uer Arab Sauel Luas, Arnold Arbowo, Sepren Faultas Ilu Koputer Unverstas
Lebih terperinciOleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si
Analsa Penerapan Metode Robust Locally Weght Regresson Smoothng Scatterplots Pada Oblgas ( Analyss of Applcaton Robust Locally Weght Regresson Smoothng Scatterplots s Method n Oblgaton ) Oleh : Wahyu Saf
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinci