Peramalan Permintaan Susu Pasteurisasi Menggunakan Metode Jaringan Syaraf Tiruan dan Time Series (Studi Kasus di Koperasi Susu SAE Pujon, Malang)
|
|
- Suhendra Johan Lesmono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Peramalan Permintaan Susu Pasteurisasi Menggunakan Metode Jaringan Syaraf Tiruan dan Time Series (Studi Kasus di Koperasi Susu SAE Pujon, Malang) Forecasting of Pasteurized Milk Demand By Using Artificial Neural Network and Time Series Methods (A Case Study of SAE Milk Cooperative of Pujon, Malang) Mahmud Nasapi 1*), Imam Santoso 2), Mas ud Effendi 2) 1) Alumni Jurusan Teknologi Industri Pertanian Fakultas Teknologi Pertanian, Universitas Brawijaya 2) Staf Pengajar Jurusan Teknologi Industri Pertanian Fakultas Teknologi Pertanian, Universitas Brawijaya Jl. Veteran No. 1 Malang * mahmud.nasapi46@yahoo.co.id Abstrak Peramalan permintaan adalah proyeksi permintaan untuk produk atau layanan suatu perusahaan yang mengendalikan produksi, kapasitas serta sistem penjadwalan dan menjadi input bagi perencanaan keuangan, pemasaran dan sumber daya manusia. Tujuan penelitian ini untuk membandingkan akurasi hasil peramalan permintaan produk susu pasteurisasi koperasi susu SAE Pujon menggunakan metode jaringan syaraf tiruan (JST) dengan time series sehingga dapat diketahui metode yang paling tepat diterapkan di Koperasi susu SAE Pujon. Data yang digunakan dalam penelitian ini fokus pada empat variabel yaitu data volume penjualan, harga produk, biaya promosi dan biaya distribusi serta jumlah tempat pemasaran. Analisa data dilakukan dengan metode Jaringan Syaraf Tiruan menggunakan software Matlab 7.10 dan metode Time Series menggunakan software SPSS Arsitektur jaringan terbaik pada peramalan ini, yaitu (3 neuron input, 10 neuron hidden layer, 1 neuron output) dengan nilai MSE terkecil yaitu Metode terbaik pada peramalan time series adalah metode Simple Seasonal. Nilai Mean Square Error (MSE) pada metode time series sebelum dan sesudah peramalan sama sebesar , sedangkan nilai MSE metode jaringan syaraf tiruan pada saat pelatihan (pemodelan) sebesar dan pada saat testing sebesar Nilai MAPE pada metode jaringan syaraf tiruan dan time series berturut-turut adalah % dan %. Rata-rata persentase kesalahan hasil simulasi peramalan permintaan menggunakan JST pada periode April Juni 2014 adalah sebesar 2.29%, sedangkan untuk time series adalah sebesar 28.91%. Kata Kunci: Jaringan Syaraf Tiruan, MAPE, Metode Time Series, MSE, Rata-rata Persentase Kesalahan Peramalan Abstract The demand forecasting is demand projection for product or services of companies that control the production, capacity and scheduling system and become input for the financial planning, marketing, and human resources. The research aimed at comparing the forecasting result accuracy of pasteurized milk product of the SAE milk cooperative of Pujon by using Artificial Neural Network method (ANN) with time series method, so it can be known the most accurate method for SAE milk cooperative of Pujon. The used data in the research focused to the four variable that is the sales volume, product price, promotion cost and distribution cost, and marketing outlet. The data analysis was done using Artificial Neural Networks using Matlab software 7.10 and Time Series method using the software SPSS The best network architecture for the forecasting, that is (3 neuron input, 10 neuron hidden layer, 1 neuron output) with the least MSE value of The best method at the time series was simple seasonal method. The mean square error (MSE) value at the time series before and after forecasting is 0
2 , while the MSE of artificial neural network method during the coach (modeling) is and during testing is MAPE values on artificial neural network method and the time series in a row % and %. The average percentage error simulation results using ANN forecasting demand in the period April-June 2014 to 2.29%, while for the time series is equal to 28.91%. Keywords: Artificial Neural Network, Average Percentage Error Forecasting, MAPE, MSE, Time Series Method. PENDAHULUAN Industri pengolahan susu akhir-akhir ini sedang mengalami peningkatan penjualan. Meningkatnya permintaan susu pengolahan ini seiring dengan meningkatnya kesejahteraan masyarakat Indonesia. Oleh karena itu, Asosiasi Industri Pengolahan Susu (AIPS) memperkirakan penjualan susu olahan meningkat 10%. Prospek industri susu yang semakin menjanjikan ini, mendorong produsen susu terus menambah kapasitas produksi dan membangun pabrik baru di Indonesia. Hal tersebut memiliki arti positif karena dapat menambah investasi dan mendatangkan devisa bagi negara. Salah satu perusahaan susu di Indonesia adalah koperasi susu SAE Pujon. Koperasi susu SAE Pujon terletak di Jl. Brigjend Abdul Manan Wijaya 16 Pujon, Malang. Sebagai salah satu koperasi penghasil susu pasteurisasi, koperasi susu SAE Pujon tentunya memiliki banyak pesaing. Sangatlah penting bagi pihak koperasi untuk menjaga eksistensi produknya. Produk susu pasteurisasi yang berada di Pujon memiliki prospek yang baik untuk dikembangkan lebih lanjut mengingat letak Pujon sangat strategis yaitu dekat dengan Kota Malang dan Kota Batu. Faktor pendukung lainnya adalah banyaknya para peternak sapi perah sehingga memudahkan untuk pasokan bahan baku kepada pihak produsen. Permasalahan yang dihadapi oleh koperasi susu SAE Pujon adalah masih kesulitan dalam meramalkan permintaan konsumen terhadap permintaan produk susu pasteurisasi karena peramalan yang dilakukan berdasarkan perkiraan dari periode lalu. Koperasi belum bisa meramalkan permintaan susu pasteurisasi periode mendatang. Peramalan permintaan yang terlalu besar akan berdampak pada peningkatan biaya produksi dan biaya inventori jika terdapat produk yang tidak habis terjual. Sebaliknya, apabila peramalan permintaan terlalu kecil, maka akan terjadi peningkatan biaya stock out bahkan dapat kehilangan pelanggan. Penelitian tentang peramalan permintaan susu pasteurisasi ini bertujuan untuk membandingkan akurasi hasil peramalan permintaan produk susu pasteurisasi koperasi susu SAE Pujon menggunakan metode jaringan syaraf tiruan (JST) dengan time series sehingga dapat diketahui metode yang paling tepat diterapkan di Koperasi susu SAE Pujon. Beberapa metode yang dapat digunakan untuk menyelesaikan permasalahan tersebut diantaranya adalah metode jaringan syaraf tiruan dan time series. Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik unjuk kerja tertentu yang menyerupai jaringan syaraf biologi (Mulyana, 2008). Metode yang digunakan sebagai pembanding dalam penelitian ini adalah metode time series. Menurut Herjanto (2003), metode serial waktu (deret berkala, time series) adalah metode yang digunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu. Dalam peramalan JST dilakukan dengan mempertimbangkan unsur bauran pemasaran yang digunakan sebagai masukan (input). Unsur bauran pemasaran yang digunakan adalah harga produk, jumlah tempat pemasaran, biaya distribusi dan biaya promosi. Sedangkan peramalan dengan metode time series menggunakan data volume penjualan sebagai input dalam peramalan. BAHAN DAN METODE Penelitian dilakukan di Koperasi susu SAE Pujon yang terletak di Jl. Brigjend Abdul Manan Wijaya 16 Pujon, Malang. Penelitian ini dilaksanakan Maret sampai Mei Pengolahan data dilakukan di Laboratorium Manajemen Agroindustri, Jurusan Teknologi Industri Pertanian, Fakultas Teknologi Pertanian, Universitas Brawijaya Malang. 1
3 Batasan Masalah Penelitian ini dilakukan dengan batasan masalah sebagai berikut: 1. Penelitian dengan metode jaringan syaraf tiruan ini dilakukan untuk meramalkan permintaan produk susu pasteurisasi Kop SAE Pujon untuk periode April 2014 Maret Peramalan dilakukan produk susu pasteurisasi Kop SAE Pujon kemasan cup berlabel. 3. Pada saat erupsi Gunung Kelud terjadi tidak mempengaruhi hasil peramalan periode April 2014 Maret 2015 karena pada bulan Februari 2014 volume penjualan susu pasteurisasi masih stabil. 4. Data yang digunakan dalam penelitian ini fokus pada empat variabel yaitu data volume penjualan, harga produk, biaya promosi dan biaya distribusi serta jumlah tempat pemasaran yang sudah tersedia pada bulan Januari 2009 Maret Data tersebut hanya digunakan sebagai input (masukan data) pada peramalan susu pasteurisasi Kop SAE Pujon. Asumsi Penelitian ini dilakukan dengan asumsi bahwa : a. Fasilitas produksi tidak mengalami perubahan selama horizon peramalan. b. Bahan baku produksi selalu tersedia. c. Jumlah tenaga kerja tidak mengalami perubahan selama horison perencanaan. d. Peramalan permintaan produk susu pasteurisasi Kop SAE Pujon kemasan cup berlabel secara keseluruhan. Peramalan Permintaan Menggunakan Metode Jaringan Syaraf Tiruan Arsitektur jaringan yang dipakai adalah jaringan layar jamak (multi layer network). Dalam jaringan ini, selain unit input dan output dan unit-unit lain (sering disebut layar tersembunyi). Jaringan syaraf layar jamak dapat menyelesaikan masalah yang lebih kompleks dibandingkan dengan layar tunggal, meskipun kadangkala proses pelatihan lebih kompleks dan lama (Siang, 2005). Perancangan arsitektur jaringan syaraf tiruan dilakukan dengan menentukan jumlah neuron input layer, neuron hidden layer dan neuron output layer (Kusumadewi dan Hartati, 2006). Algoritma pembelajaran yang digunakan dalam penelitian ini adalah Backpropagation. Backpropagation merupakan salah satu metode pelatihan dari Jaringan Syaraf Tiruan. Backpropagation menggunakan arsitektur multilayer dengan metode pelatihan supervised training (Pakaja dkk, 2012). Diagram alir algoritma Backpropagation seperti pada Gambar 1. Iterasi (epoch) = Iterasi + 1 Tidak Iterasi Maksimal Iterasi Ya Mulai Data Training Inisialisasi Bobot Setting Input Propagasi Maju Penghitungan Error Keluaran Tidak Propagasi Balik Perubahan Bobot MSE Error Simpan Bobot Selesai Gambar 1. Diagram Alir Algoritma Backpropagation Penjelasan mengenai tahap algoritma backpropagation adalah sebagai berikut: a. Data training Data training adalah pasangan data masukkan dan keluaran aktual (target) yang diberikan pada jaringan untuk dilatih polanya. Sebelum diproses, data-data yang ada dinormalisasi terlebih dahulu. Data untuk training adalah data pada periode Januari 2009 Desember 2012, sedangkan data pada periode Januari 2013 Maret 2014 digunakan untuk testing. Semakin besar Ya 2
4 jumlah data training, semakin akurat dan adaptif hasil peramalan. b. Inisialisasi bobot awal Proses inisialisasi adalah proses untuk memberikan nilai nilai awal pada bobot yang bisa berupa nilai 0 atau 1 (Emanuel dan Hartono, 2008). Inisialisasi bobot awal dilakukan dengan pemberian nilai bobot dan bias awal dengan bilangan acak terkecil. Biasanya bobot awal diinisialisasi secara random dengan nilai antara -0.5 sampai 0.5 atau -1 sampai 1. Hal ini dilakukan karena apabila nilai bobot awal terlalu besar, maka input ke setiap lapisan tersembunyi atau lapisan output akan jatuh pada daerah dimana turunan fungsi sigmoidnya akan sangat kecil. Sebaliknya, apabila nilai bobot awal terlalu kecil akan menyebabkan proses pelatihan akan berjalan sangat lambat. c. Umpan maju (Feedforward) Selama Feedforward, sinyal masukan (=x i) dipropagasi maju ke lapisan tersembunyi menggunakan fungsi aktivasi yang ditentukan. Semua keluaran dari unit masukan di unit tersembunyi z_in j (j = 1, 2, 3,...,p) dihitung dengan:...(1) Kemudian dihitung sesuai dengan fungsi pengaktif yang digunakan. Pada penelitian ini fungsi yang digunakan adalah fungsi sigmoid maka bentuk fungsi tersebut adalah: ( )...(2) Dimana fungsi sigmoid dirumuskan sebagai: jadi:...(3)...(4) Keluaran dari unit masukan di setiap unit lapisan tersembunyi (=z j) tersebut selanjutnya dipropagasi maju lagi ke lapisan tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan (=y k)....(5) Kemudian dihitung kembali dengan fungsi pengaktif sigmoid dengan rumus:...(6) dimana fungsi sigmoid dirumuskan sebagai: jadi:...(7)...(8) Selanjutnya, keluaran jaringan (y k) dibandingkan dengan target yang harus dicapai (=t k). Selisih antara t k-y k adalah kesalahan yang terjadi. d. Propagasi balik (Backpropagation) Berdasarkan kesalahan t k-y k, dihitung faktor ẟ k (k = 1, 2, 3,..., m) yang dipakai untuk mendistribusikan kesalahan di unit y k ke semua unit tersembunyi yang terhubung langsung dengan y k. Faktor kesalahan dihitung dengan: ẟ k = (t k y k) f (y_in k)...(9) dimana: f (y_in k) = y k(1-y k)...(10) jadi: ẟ k = (t k y k) y k(1-y k)...(11) ẟ k merupakan unit kesalahan yang akan dipakai dalam perubahan bobot lapisan di bawahnya dan juga dipakai untuk mengubah bobot garis yang terhubung langsung dengan unit keluaran. Nilai perubahan unit bobot keluaran (Δw kj) dihitung dengan: Δw kj = α ẟ k z j...(12) k = 1, 2, 3,..., m ; j = 0, 1, 2,..., p Dengan cara yang sama, dihitung faktor ẟ j di setiap unit lapisan tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di lapisan di bawahnya. Faktor kesalahan pada lapisan tersembunyi ( dihitung dengan: ẟ...(13) Faktor kesalahan pada unit tersembunyi (ẟ j) dihitung dengan: ẟ...(14) dimana:...(15) jadi:...(16) Nilai perubahan bobot unit tersembunyi (Δv ji) dihitung dengan: Δv ji = α ẟ j x i...(17) j = 1, 2, 3,..., p i = 0, 1, 2,...,n Demikian seterusnya hingga semua faktor ẟ di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung. 3
5 e. Pemberhentian pembelajaran Ketiga fase tersebut diulang ulang terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan. Kriteria pemberhentian pembelajaran pada penelitian ini adalah jumlah iterasi yang ditoleransi sebanyak iterasi. f. Penerapan Selanjutnya untuk mengukur error (kesalahan) forecast biasanya digunakan Mean Absolute Percentage Error atau Mean Squared Error 1) Mean Absolute Percentage Error (MAPE) MAPE adalah rata-rata persentase absolut dari kesalahan peramalan dengan menghitung error absolut tiap periode. Error ini kemudian dibagi dengan n. Rumus dari MAPE ini adalah sebagai berikut (Soedjianto dkk, 2006): ( )...(18) dimana : Xt = permintaan aktual periode t Ft = ramalan permintaan periode t n = jumlah periode peramalan 2) Mean Squared Error (MSE) Mean squared error (MSE) yaitu rata-rata dari kesalahan forecast dikuadratkan. Rumus dari MSE ini adalah sebagai berikut (Prabowo dkk, 2012):...(19) dengan X t : data sebenarnya terjadi F t : data ramalan dihitung dari model yang digunakan pada waktu t n : banyak data hasil ramalan Peramalan Permintaan Menggunakan Metode Time Series 1. Metode Moving Averages Moving Average termasuk dalam time series model yang merupakan metode peramalan kuantitatif dengan menggunakan waktu sebagai dasar peramalan. Untuk membuat suatu peramalan diperlukan data historis (masa lampau) permintaan. Data inilah yang akan dianalisis dengan menggunakan parameter waktu sebagai dasar analisis. 4 Metode Moving Average ini paling sesuai apabila pola data masa lampau yang dimiliki bertipe siklikal (Soedjianto dkk, 2006): a) Jika data time series tidak diketahui polanya, artinya tidak ada gejala trend naik maupun turun, musiman dan sebagainya, maka untuk meramalkan F t dapat digunakan metode single moving average sebagai berikut:...(20)...(21) Keterangan F T+1 : Peramalan untuk Periode T+1 X T : Data pada periode ke T T : Jangka waktu perataan F T+2 : Peramalan untuk periode T+2 b) Jika data time series yang diamati, merupakan suatu deret yang secara tetap meningkat tanpa unsur kesalahan random yang menghasilkan trend linier meningkat, maka dapat digunakan metode double moving averages sebagai berikut: dengan ( ) ( )...(22)...(23)...(24) N = jangka waktu moving averages m = jangka waktu forecast ke depan 2. Metode Exponential Smoothing Metode Exponential Smoothing merupakan prosedur perbaikan terus-menerus pada peramalan terhadap objek pengamatan terbaru (Makridakis, 2005). Dalam pemulusan eksponensial atau exponential smoothing terdapat satu atau lebih parameter pemulusan yang ditentukan secara eksplisit, dan hasil ini menentukan bobot yang dikenakan pada nilai observasi. Dengan kata lain, observasi terbaru akan diberikan prioritas lebih tinggi bagi peramalan daripada observasi yang lebih lama (Raharja dkk, 2010). a) Jika data time series memperlihatkan pola konstan atau jika perubahannya kecil saja, maka untuk meramalkan F t dapat digunakan metode single exponential smoothing sebagai berikut: F t+1 = αx t + (1 α) F t...(25) Keterangan : F t+1 : ramalan t waktu atau periode ke depan setelah pengamatan terakhir X t
6 F t : X1 α : Smoothing konstan b) Jika data time series menunjukkan pola linier, maka dapat digunakan metode double exponential smoothing dengan rumus sebagai berikut: ( ) ( )...(26) dengan S t = α X t + (1 α) S t-1...(27) S t = αs t + (1 α) S t-1...(28) S t = X...(29) dimana S t adalah nilai pemulusan eksponensial tunggal dan S t adalah nilai pemulusan eksponensial ganda c) Jika data time series tidak memperlihatkan pola konstan ataupun linier yang digunakan adalah metode triple exponential smoothing dengan rumus sebagai berikut : [ ] [ ]..(31) [ ] dengan S t = α X t + (1 α) S t-1...(33) S t = αs t + (1 α) S t-1...(34) S t = αs t + (1 α) S t-1...(35) S t = X 1...(36) dimana S t adalah nilai pemulusan pertama, S t adalah nilai pemulusan kedua dan S t adalah nilai pemulusan ketiga. 3. Metode Dekomposisi Dekomposisi adalah model kecenderungan yang mempergunakan empat komponen pendekatan yaitu kecenderungan (merupakan tingkah laku jangka panjang), cylical (bentuk siklis), seasional (bentuk musiman) dan komponen random. Model dekomposisi tersusun sebagai berikut (Saefulloh, 2011): Data= trend + musiman + siklus + error...(37) atau Ramalan= trend + musiman + siklus...(38) HASIL DAN PEMBAHASAN Penelitian dengan metode jaringan syaraf tiruan ini dilakukan untuk meramalkan permintaan produk susu pasteurisasi Kop SAE Pujon untuk periode satu tahun mendatang, yaitu April 2014 Maret Metode jaringan syaraf tiruan yang digunakan adalah Backpropagation, dilakukan dengan menggunakan Software Matlab Model peramalan yang dibuat terdiri dari 3 variabel independen (harga, biaya promosi dan distribusi, outlet) dan 1 variabel dependen (volume penjualan). Dalam jaringan syaraf tiruan, model ini terbaca sebagai 3 unit (neuron) input dan 1 unit neuron output, sehingga rancangan arsitektur jaringan yang digunakan dalam penelitian adalah 1 lapis input dengan 3 neuron input dan 1 lapis output dengan 1 neuron output, sedangkan neuron hidden layer dicari jumlah optimalnya (nilai MSE terkecil) dari tiap jaringan melalui pelatihan (training). Pembelajaran jaringan membutuhkan parameter-parameter yang digunakan untuk mengenali pola data. Parameter pembelajaran dalam penelitian meliputi max. epoch 2000, dan learning rate 0.1 Maksimum epoch berfungsi sebagai kriteria pemberhentian pelatihan, yaitu pelatihan dihentikan setelah mencapai 2000 iterasi. Nilai goal (MSE) adalah , dipakai untuk menentukan batas nilai MSE agar iterasi dihentikan, nilai ini dipilih berdasarkan dengan trial dan error sampai ketemu performance dan goal yang terkecil. Pada momentum konstan (mc) dipilih nilai 0.85, nilai ini dipiih karena pada komputer nilai default momentum sebesar Hasil pelatihan jaringan produk susu pasteurisasi Kop SAE Pujon dalam jaringan syaraf tiruan dari masing-masing neuron dapat dilihat pada Tabel 1. Tabel 1. Hasil Pelatihan Jaringan Susu Pasteurisasi Kop SAE Pujon Hidden Jumlah MSE Layer Neuron Sumber : Data diolah (2014) Jaringan terbaik dihasilkan oleh pelatihan jaringan (3 neuron input, 10 neuron hidden layer, 1 neuron output) dengan nilai MSE terkecil adalah Gambar model Jaringan Syaraf Tiruan dapat dilihat pada Gambar 2. 5
7 Jumlah Volume Penjualan Z 1 Z 2 X 1 Harga Produk Z 3 X 2 Biaya Promosi dan Biaya Distribusi X 3 Jumlah Outlet Z 4 Z 5 Z 6 1 neuron output Y 1 Peramalan Permintaan 3 neuron input Z 7 Z 8 Z 9 E 1 Z 10 E 2 10 neuron hidden layer Gambar 2. Model Jaringan Syaraf Tiruan Peramalan Permintaan Menggunakan Analisa Deret Waktu (Time Series) Peramalan permintaan dilakukan berdasarkan data penjualan produk periode Januari 2009 Maret 2014 dengan menggunakan analisa deret waktu (time series). Peramalan permintaan dilakukan untuk meramalkan jumlah permintaan produk susu pasteurisasi Kop SAE Pujon pada periode perencanaan yang akan datang, yaitu periode satu tahun mendatang pada April 2014 Maret Metode time series yang digunakan dalam penelitian ini adalah expert modeler dengan tipe all models. Metode ini akan menghasilkan metode terbaik dari keseluruhan metode time series yang digunakan. Hasil peramalan dapat dilihat pada Gambar 3. Keterangan Periode Peramalan Gambar 3. Hasil Peramalan Permintaan dengan Menggunakan Metode Simple Seasonal 6
8 Dari Gambar 3 pola data yang ditunjukkan merupakan pola data random (acak). Metode yang terbaik pada peramalan menggunakan SPSS ini yaitu Simple Seasonal. Melihat plot di atas terlihat bahwa hasil peramalan mengikuti bentuk pola datanya, sehingga tingkat akurasi data tersebut sebagai dasar untuk perencanaan cukup baik. Nilai RMSE (Root Mean Square Error) adalah sehingga nilai MSE adalah Perbandingan Hasil Peramalan Metode Jaringan Syaraf Tiruan dengan Time Series Dalam penelitian ini, peramalan permintaan yang digunakan terdiri dari dua metode yaitu metode jaringan syaraf tiruan dan time series. Kedua metode tersebut nantinya akan dibandingkan untuk dipilih sebagai metode yang paling cocok diterapkan di Koperasi susu SAE Pujon. Pembanding yang digunakan berupa perbandingan nilai MSE, nilai MAPE dan data penjualan aktual susu pasteurisasi Kop SAE Pujon, sehingga bisa dilihat diantara kedua metode tersebut mana yang paling baik dalam meramalkan susu pasteurisasi. Adapun perbandingan nilai MSE dan MAPE untuk metode Jaringan Syaraf Tiruan dan Time Series dapat dilihat pada Tabel 2 dan Tabel 3. Tabel 2. Nilai MSE Sebelum dan Sesudah Peramalan Pada Metode Jaringan Syaraf Tiruan dan Time Series Nilai MSE Metode Sebelum Sesudah Jaringan Syaraf Tiruan Time Series Sumber : Data diolah (2014) Tabel 3. Nilai MAPE Peramalan Pada Metode Jaringan Syaraf Tiruan dan Time Series Metode Nilai MAPE semula menjadi yang menunjukkan nilai MSE sesudah peramalan lebih besar dibandingkan nilai MSE sebelum peramalan. Hal ini dikarenakan nilai mean pada saat testing lebih besar dibandingkan nilai mean saat pemodelan. Pada Tabel 3 merupakan nilai tengah kesalahan persentase absolut dari suatu peramalan. Nilai MAPE memberikan informasi mengenai nilai persentase kesalahan peramalan. Pada peramalan dapat diketahui bahwa nilai persentase kesalahan peramalan menggunakan JST lebih kecil yaitu % dibandingkan metode time series dengan persentase kesalahannya sebesar %. Setelah melakukan perbandingan pada nilai MSE dan MAPE untuk kedua metode tersebut, selanjutnya melakukan validasi dengan cara membandingkan dengan data penjualan aktual. Pembanding yang digunakan berupa data penjualan aktual susu pasteurisasi Kop SAE Pujon selama 3 bulan ke depan. Hasil perbandingan metode jaringan syaraf tiruan, time series, dan data aktual dapat dilihat pada Tabel 4. Berdasarkan nilai MSE, MAPE dan persentase kesalahan peramalan ketika dibandingkan pada kedua metode tersebut dapat dikatakan bahwa metode jaringan syaraf tiruan lebih cocok diterapkan di Koperasi susu SAE Pujon dikarenakan memiliki nilai MSE, MAPE dan persentase kesalahan yang lebih kecil dibandingkan metode time series. Selain itu, pada metode JST ini peramalannya dikaitkan dengan unsur-unsur yang mempengaruhi volume penjualan seperti harga, biaya promosi dan distribusi serta jumlah tempat pemasaran dibandingkan metode time series yang tidak dikaitkan dengan unsur-unsur yang mempengaruhi volume penjualan dalam meramalkan jumlah volume penjualan periode mendatang. Jaringan Syaraf Tiruan % Time Series % Sumber : Data diolah (2014) Pada Tabel 2, nilai MSE sebelum dan sesudah peramalan pada metode Time Series tetap yaitu Sedangkan, pada metode JST terjadi perubahan nilai MSE yang 7
9 Tabel 4. Hasil Perbandingan Metode Jaringan Syaraf Tiruan, Time Series dan Data Aktual Periode April Juni 2014 Persentase Kesalahan Tahun Periode Simulasi Time Data Peramalan Terhadap Peramalan JST Series Aktual Permintaan Aktual (%) JST Time Series 2014 April Mei Juni Rata-rata Kesalahan Sumber : Data diolah (2014) KESIMPULAN DAN SARAN Kesimpulan 1. Penerapan metode Jaringan Syaraf Tiruan (JST) untuk peramalan permintaan susu pasteurisasi Kop SAE Pujon dengan menggunakan model jaringan Backpropagation, menghasilkan arsitektur jaringan single hidden layer terbaik yaitu (3 neuron input, 10 neuron hidden layer, dan 1 neuron output), 3 neuron input merupakan faktor bauran pemasaran yang meliputi harga produk, jumlah tempat pemasaran, biaya distribusi dan biaya promosi, sedangkan untuk 1 neuron output merupakan nilai peramalan permintaan. 2. Pada peramalan metode time series, menghasilkan metode terbaik yaitu metode Simple Seasonal. Perbandingan akurasi hasil peramalan dari kedua metode, sebagai berikut: nilai Mean Square Error (MSE) pada metode time series sebelum dan sesudah peramalan sama sebesar Nilai MSE metode jaringan syaraf tiruan pada saat pelatihan (pemodelan) sebesar dan pada saat testing sebesar Sedangkan nilai MAPE pada metode jaringan syaraf tiruan dan time series berturut-turut adalah % dan %. Rata-rata persentase kesalahan hasil simulasi peramalan permintaan menggunakan JST pada periode April Juni 2014 adalah sebesar 2.29%, sedangkan untuk time series adalah sebesar 28.91%. Saran Dari hasil penelitian dan pembahasan yang telah dilakukan, saran yang dapat dikemukakan yaitu perlu adanya penelitian lebih lanjut untuk membandingkan 8 peramalan permintaan menggunakan JST dengan metode yang lain, perlu adanya penelitian lebih lanjut untuk peramalan permintaan dengan mempertimbangkan faktor-faktor bauran pemasaran yang lain serta diharapkan metode yang terpilih diterapkan oleh Koperasi susu SAE Pujon agar perencanaan produksi, pemasaran, anggaran biaya dan perencanaan lainnya optimal. DAFTAR PUSTAKA Emanuel, A. W. R. dan Hartono, A Pengembangan Aplikasi Pengenalan Karakter Alfanumerik Dengan Menggunakan Algoritma Neural Network Three-Layer Backpropagation. Jurnal Informatika, Vol.4, No.1, Juni 2008: Herjanto, E Manajemen Operasi Edisi Ketiga. PT Grasindo. Jakarta. Kusumadewi, S dan Hartati, S Integrasi Sistem Fuzzy dan Jaringan Syaraf. Graha Ilmu. Yogyakarta. Makridakis, S Metode dan Aplikasi Peramalan. Binarupa Aksara. Jakarta. Mulyana, S Teknik Peramalan Tingkat Penjualan Dengan Jaringan Syaraf Tiruan. Seminar Nasional Informatika 2008 (semnasif 2008). UPN Veteran Yogyakarta, 24 Mei ISSN : Pakaja, F, Agus N. dan Purwanto Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor. Jurnal EECCIS Vol. 6, No. 1, Juni 2012.
10 Prabowo, Y., Achmad, H. dan Ajub, A. Z Kompresi Citra Digital Aras- Keabuan Menggunakan Metode Hadamard. TRANSIENT, Vol.1, No.4, Desember 2012, ISSN: Raharja, A. Wiwik, A. dan Retno, A. V Penerapan Metode Exponential Smoothing untuk Peramalan Penggunaan Waktu Telepon Di PT. Telkomsel Divre3 Surabaya. SISFO- Jurnal Sistem Informasi X Oktober Vol. 1 No.4. Saefulloh, D Perencanaan Pengembangan Gardu Induk Untuk 10 Tahun Ke Depan. Makalah Seminar Tugas Akhir. Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro. Siang, J. J Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Andi Offset. Yogyakarta. Soedjianto, F. Tanti, O. dan James, A. A Perancangan dan Pembuatan Sistem Perencanaan Produksi (Studi Kasus Pada PT. Vonita Garment). Seminar Nasional Aplikasi Teknologi Informasi 2006 (SNATI 2006) Yogyakarta, 17 Juni ISSN:
Kenyo Puspito Rini 1), Ir. Usman Effendi, MS. 2), Dhita Morita Ikasari, STP, MP. 2)
PERAMALAN PERMINTAAN MINUMAN KESEHATAN INSTAN JAHE MENGGUNAKAN JARINGAN SYARAF TIRUAN dan METODE TIME SERIES (Studi Kasus di Agroindustri Minuman Kesehatan Instan DIA Malang) Kenyo Puspito Rini 1), Ir.
Lebih 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 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 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 terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciPerbandingan Peramalan Permintaan Keripik Nanas Menggunakan Metode Jaringan Syaraf Tiruan dan Time Series di UKM So Kressh Malang
Perbandingan Peramalan Permintaan Keripik Nanas Menggunakan Metode Jaringan Syaraf Tiruan dan Time Series di UKM So Kressh Malang Comparisson Pineaple Chips Demand Forecasting with Artificial Neural Network
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 terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih 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 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 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 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 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 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 terperinciBAB 2 TINJAUAN TEORITIS
BAB 2 TINJAUAN TEORITIS 2.1. Peramalan 2.1.1. Pengertian dan Kegunaan Peramalan Peramalan (forecasting) menurut Sofjan Assauri (1984) adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
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 terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciBAB 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 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 terperinciPerbandingan Hasil Peramalan dengan Metode Double Exponential Smoothing Holt dan Metode Jaringan Syaraf Tiruan
Perbandingan Hasil Peramalan dengan Metode Double Exponential Smoothing Holt dan Metode Jaringan Syaraf Tiruan Oki Dwi Hartanti Departemen Biostatistika dan Kependudukan Fakultas Kesehatan Masyarakat Universitas
Lebih terperinciBAB 2 TINJAUAN TEORITIS. yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan terjadi
BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan
Lebih terperinciPENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA
SISTEM PENDUKUNG KEPUTUSAN PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA Alda Raharja - 5206 100 008! Wiwik Anggraeni, S.Si, M.Kom! Retno
Lebih 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Konsep Peramalan Peramalan ( forecasting) merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang ekonomi. Dalam organisasi modern
Lebih 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 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 terperinciBAB III TINJAUAN PUSTAKA
BAB III TINJAUAN PUSTAKA 3.1 Teori Dunia industri biasanya tak lepas dari suatu peramalan, hal ini disebabkan bahwa peramalan dapat memprediksi kejadian di masa yang akan datang untuk mengambil keputusan
Lebih terperinci1. Pendahuluan 1.1 Latar belakang masalah
1. Pendahuluan 1.1 Latar belakang masalah Emas adalah unsur kimia dalam tabel periodik yang memiliki simbol Au (bahasa Latin: 'aurum') dan nomor atom 79. Emas digunakan sebagai standar keuangan di banyak
Lebih 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 terperinciMETODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN
METODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN Peramalan kuantitatif hanya dapat digunakan apabila terdapat
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih 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 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 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 terperinciABSTRAK PERAMALAN KURS RUPIAH TERHADAP US DOLLAR MENGGUNAKAN METODE HIBRID
ABSTRAK PERAMALAN KURS RUPIAH TERHADAP US DOLLAR MENGGUNAKAN METODE HIBRID Peramalan adalah bagian integral dari kegiatan pengambilan keputusan manajemen. Ramalan yang dilakukan umumnya berdasarkan pada
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciPREDIKSI 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 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 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 terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih 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 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 terperinciBAB 2 LANDASAN TEORITIS
BAB 2 LANDASAN TEORITIS 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksikan apa yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinciPOSITRON, Vol. IV, No. 2 (2014), Hal ISSN :
Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun
Lebih terperinciPeramalan Jumlah Penumpang Pada Siluet Tour And Travel Kota Malang Menggunakan Metode Triple Exponential Smoothing
Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 2017 ISSN: 0852-730X Peramalan Jumlah Penumpang Pada Siluet Tour And Travel Kota Malang Menggunakan Metode Triple Exponential
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah. Sebuah fakta bahwa waktu adalah uang dalam aktivitas penjualan. Pengambilan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Sebuah fakta bahwa waktu adalah uang dalam aktivitas penjualan. Pengambilan keputusan merupakan hal yang penting untuk kesuksesan penjualan. Dalam hal ini seseorang
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 terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
49 BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Standar Optimasi Dasar evaluasi untuk mengoptimalkan supply chain management pada Honda Tebet (PT. Setianita Megah Motor) dari proses bisnis perusahaan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Sedangkan
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 terperinciPenentuan Error Dalam Peramalan Jumlah Korban Demam Berdarah Dengue Menggunakan Metode Neural Network (Kasus : Rumah Sakit Charitas Palembang)
Penentuan Error Dalam Peramalan Jumlah Korban Demam Berdarah Dengue Menggunakan Metode Neural Network (Kasus : Rumah Sakit Charitas Palembang) Maria Bellaniar Ismiati 1, Latius Hermawan 2 Program Studi
Lebih terperinciJurnal Fisika Unand Vol. 2, No. 4, Oktober 2013 ISSN
PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN BEBERAPA FUNGSI PELATIHAN BACKPROPAGATION (Studi Kasus: Stasiun Meteorologi Tabing Padang, Tahun 2001-2012) Cici Oktaviani, Afdal
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama (assaury, 1991). Sedangkan ramalan adalah
Lebih terperinciPENERAPAN LEAST SQUARE METHOD UNTUK PERAMALAN PENJUALAN DI HIJABSTORY BANDUNG
PENERAPAN LEAST SQUARE METHOD UNTUK PERAMALAN PENJUALAN DI HIJABSTORY BANDUNG Wendi Wirasta, Muhamad Luthfi Ashari 2 Program Studi Teknik Informatika, STMIK & Ilmu Komputer LPKIA Jl. Soekarno Hatta 456,
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit
BAB 2 LANDASAN TEORI 2.1 Pengertian Produksi Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit tanaman pada lahan yang telah disediakan, pemupukan dan perawatan sehingga
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
Lebih terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciPenerapan 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Peramalan (forecasting) 2.1.1. Hubungan Forecast dengan Rencana Forecast adalah peramalan apa yang akan terjadi pada waktu yang akan datang, sedang rencana merupakan penentuan apa
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 terperinciPREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) Supriyanto 1, Sudjono 2, Desty Rakhmawati 3 ( 1,2. UNSOED Purwokerto, 3. STMIK
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan merupakan usaha yang dilakukan oleh suatu perusahaan untuk melihat dan mengkaji situasi dan kondisi di masa mendatang. Terdapat beberapa faktor yang mempengaruhi
Lebih terperinciPeramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor
23 Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor Fachrudin Pakaja, Agus Naba dan Purwanto Abstrak Prediksi penjualan adalah salah satu cara untuk meningkatkan laba perusahaan,
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI LAJU INFLASI DI KABUPATEN KLATEN NASKAH PUBLIKASI
IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI LAJU INFLASI DI KABUPATEN KLATEN NASKAH PUBLIKASI diajukan oleh Kurniawati Handayani 09.11.3278 kepada SEKOLAH TINGGI MANAJEMEN
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan sering dipandang sebagai seni dan ilmu dalam memprediksikan kejadian yang mungkin dihadapi pada masa yang akan datang. Secara teoritis peramalan
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 terperinciPENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU
PENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU Romy Biri ), Yohanes A.R. Langi ), Marline S. Paendong ) ) Program Studi Matematika FMIPA Universitas Sam Ratulangi Jl.
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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR Sofi Dwi Purwanto Teknik Informatika Universitas Islam Negeri Maulana Malik
Lebih 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 terperinci2.1. Dasar Teori Bandwidth Regression
2.1. Dasar Teori 2.1.1. Bandwidth Bandwidth adalah ukuran kapasitas dari sistem transmisi (Comer, 2004) Bandwidth adalah konsep pengukuran yang sangat penting dalam jaringan, tetapi konsep ini memiliki
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 terperinciBAB 2 LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan untuk memperkirakan apa yang akan
BAB 2 LADASA TEORI 2.1 Pengertian Peramalan (Forecasting) Peramalan (Forecasting) adalah suatu kegiatan untuk memperkirakan apa yang akan terjadi pada masa mendatang. Peramalan penjualan adalah peramalan
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Produksi Kedelai Dalam ketersediaan kedelai sangat diperlukan diberbagai penjuru masyarakat dimana produksi kedelai merupakan suatu hasil dari bercocok tanam dimana dilakukan dengan
Lebih terperinciMETODOLOGI PENELITIAN
digilib.uns.ac.id BAB III METODOLOGI PENELITIAN 3.1 Studi Literatur Studi ini dilakukan dengan cara mencari dan membaca berbagai literatur serta karya-karya penelitian mengenai topik penelitian yang sudah
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION
JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION Yuyun Dwi Lestari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan E-mail : yuyun.dl@gmail.com
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
Lebih terperinciPrediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*
Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi
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 terperinciKey words: Artificial Neural Network, Exponential Smoothing, Prediction, Electrical Energy Need.
PREDIKSI KEBUTUHAN ENERGI LISTRIK SULAWESI UTARA MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN METODE EXPONENTIAL SMOOTHING Febry Hontong 1), Tritiya Arungpadang 2), Johan Neyland 3) Jurusan Teknik Mesin Universitas
Lebih 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 terperinciJARINGAN SYARAF TIRUAN DAN NAIVE BAYES UNTUK MENDETEKSI PENYAKIT GAGAL GINJAL DI RSUD Dr. ADHYATMA TUGUREJO SEMARANG
JARINGAN SYARAF TIRUAN DAN NAIVE BAYES UNTUK MENDETEKSI PENYAKIT GAGAL GINJAL DI RSUD Dr. ADHYATMA TUGUREJO SEMARANG Yudi Setyawan 1 *, Zulfikar Adi Nugroho 2 1,2 Prodi Statistika, Fakultas Sains Terapan,
Lebih terperinciPERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA DENGAN
PERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA DENGAN MENGGUNAKAN HYBRID AUTOREGRESSIVE INTEGRATED MOVING AVERAGE NEURAL NETWORK Disusun oleh : Berta Elvionita Fitriani 24010211120005
Lebih terperinciKAJIAN TEORITIS HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK UNTUK PERAMALAN DATA RUNTUN WAKTU
Bimaster Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No.3 (2013), hal 205-210 KAJIAN TEORITIS HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK UNTUK PERAMALAN DATA RUNTUN WAKTU Muhlasah
Lebih terperinciPerkapalan Negeri Surabaya, Surabaya Program Studi Teknik Otomasi, Jurusan Teknik Kelistrikan Kapal, Politeknik Perkapalan Negeri
Perbandingan Metode Autoregressive Integrated Moving Average (ARIMA) dan Exponential Smoothing pada Peramalan Penjualan Klip (Studi Kasus PT. Indoprima Gemilang Engineering) Aditia Rizki Sudrajat 1, Renanda
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Peramalan Peramalan (forecasting) merupakan upaya memperkirakan apa yang terjadi pada masa yang akan datang. Pada hakekatnya peramalan hanya merupakan suatu perkiraan (guess),
Lebih 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 terperinciBAB 1 PENDAHULUAN 1.1 LATAR BELAKANG
BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciPeramalan Jumlah Permintaan Produksi Menggunakan Metode Jaringan Syaraf Tiruan (JST) Backpropagation
Jurnal Teknik Industri, Vol.1, No.2, Juni 2013, pp.174-179 ISSN 2302-495X Peramalan Jumlah Permintaan Produksi Menggunakan Metode Jaringan Syaraf Tiruan (JST) Backpropagation Mira Febrina 1, Faula Arina
Lebih 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 terperinciJURNAL MATEMATIKA MANTIK Edisi: Oktober Vol. 02 No. 01 ISSN: E-ISSN:
ISSN: 25273159 EISSN: 25273167 PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN JUMLAH KLAIM DI BPJS KESEHATAN PAMEKASAN Faisol 1, Sitti Aisah 2 Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan
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 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 terperinciIV. HASIL DAN PEMBAHASAN A.
IV. HASIL DAN PEMBAHASAN A. Persiapan Data Untuk Analisis Jaringan Syaraf Tahapan pertama sebelum merancang model jaringan syaraf tiruan adalah menyiapkan data. Secara garis besar tahapan-tahapan dalam
Lebih terperinciBAB IV METODE PENELITIAN
BAB IV METODE PENELITIAN 4.1. Desain Penelitian Dari uraian latar belakang masalah, penelitian ini dikategorikan ke dalam penelitian kasus dan penelitian lapangan. Menurut Rianse dan Abdi dalam Surip (2012:33)
Lebih terperinciIDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN
IDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN Galih Probo Kusuma, Dr Melania Suweni Muntini, MT Jurusan Fisika Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinci