BAB 4 HASIL DAN PEMBAHASAN
|
|
- Liani Oesman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 44 BAB 4 HASIL DAN PEMBAHASAN 4.1. ARIMA DENGAN SPSS Dalam riset ini digunakan nilai penutupan harian dari saham ANTM pada bulan november 2007 sampai desember Gambar 1: Data Close Saham Nov Dec 07 Dengan bantuan expert modeler yang ada pada SPSS, langkah identifikasi dan penaksiran parameter dapat dilakukan secara otomatis. Dengan menggunakan expert modeler yang ada pada SPSS didapat best modeler sebagai berikut.arima (0,1,2) yaitu mempunyai nilai p =0, nilai d =1 dan nilai q = 2,dengan RMSE =
2 45
3 ANN DENGAN MATHLAB TOOLBOX a. Proses persiapan data untuk pelatihan. Gambar 2: Persiapan Data untuk proses ANN Data tahun dipersiapkan dalam bentuk excel dengan format variablevariabel yang ditentukan. Open,high,low,close(t-1), mining idx, price ihsg dan gold merupakan variable input. Sedangkan untuk variable outputnya adalah variable Close (T). Data ini akan dibagi menjadi 2 bagian, yaitu 900 data pertama akan digunakan dalam proses pelatihan dan 74 data sisanya akan digunakan dalam proses peramalan. Secara langsung mathlab akan membagi data pelatihan menjadi 70 persen training, 15 persen validation, dan 15 persen test. b. Normalisasi data Variabel input dan output di normalisasi dengan rumus : Variabel adalah nilai sebelum dilakukan normalisasi Min adalah nilai minimum data dari satu kolom/bagian. Max adalah nilai maximum data dari satu kolom/bagian
4 47 Variabel hasil dari normalisasi ini akan berkisar antara -1 dan 1. Gambar 3:Normalisasi Data c. Jaringan ANN Penentuan jumlah neuron dalam hidden layer dilakukan secara iterasi dan coba-coba, untuk membandingkan apakah ada pengurangan error yang terjadi dengan perubahan jumlah neuron yang ada. Test 1 Test 2 Test 3 Banyak Neuron mse train mse test mse train mse test mse train mse test Dari table diatas terlihat tidak ada pengurangan error yang signifikan dari berubahnya jumlah neuron pada input layer. Mean Squared Error adalah rata-rata kwadrat dari beda output dan target, nilai semakin kecil semakin baik (nilai 0 artinya tidak ada error). Jaringan ANN yang dipilih adalah menggunakan 8 neuron untuk input, 1 hidden layer dengan 8 neuron pada hidden layer dan 1 neuron untuk output (hasil).delapan
5 48 variable input yang telah dinormalisasi akan digunakan sebagai data neuron pada input layer. Data close(t) yang telah dinormalisasi akan digunakan sebagai data target/output. Gambar 4:Arsitektur ANN Berikut adalah gambar arsitekturr jaringan dengan 8 neuron pada hidden layer nya. Untuk fungsi aktivasi/transfer antara layer input ke hidden dan antara layer hidden ke output adalah menggunakan fungsi default dari mathlab yaitu tansigmoid. Berikut merupakan fungsi aktivasi tansigmoidnya.
6 49 Gambar 5: Fungsi aktivasi Tansigmoid Fungsi tan sigmoid merupakan fungsi transfer non linier yang memungkinkan jaringan untuk mempelajari hubungan linier maupun non linier antara bagian inputouput. Dari perhitungan yang dilakukan dengan menggunakan program Mathlab toolbox, jaringan ANN dibentuk dan optimalisasi dengan metode backpropagation yang ada. Gambar 6: Run ANN (MathLab)
7 50 Dengan model ANNN yang ada, yaitu 8 lapisan neuron, penggunaan transfer fungsi tan sigmoid maka jaringan backpropagation menghasilkan mse sebesar Berikut bobot akhir untuk antaraa lapisan input dengan lapisan hidden: Sedangkann hasil bobot akhir untuk lapisan hidden dan output:
8 51 d.simulasi pembelajaran & pengetesan Gambar 7: Performance ANN Gambar diatas menggambarkan 3 grafik dari mse (Mean Square Error) dari proses training, validation, dan proses Test. Grafik train merupakan grafik setiap epochs (perubahan bobot) dengan error yang dihasilkan pada tahap training. Grafik validation & grafik test merupakan grafik setiap perubahan bobot yang terjadi dalam 1 epoch dengan error yang dihasilkan pada tahap testing (terhadap masing-masing data validation ataupun data testing). Setelah didapat output dari hasil jaringan,maka dilakukan tahap denormalisasi untuk mengembalikan nilai dari hasil jaringan ANN. Berikut hasil prediksi dari jaringan ANN untuk data saham ANTM mulai 3 September 2007 sampai 28 Desember 2007.
9 Gambar 8: Grafik Hasil forecast ANN 52
10 PERBANDINGAN ARIMA DENGAN ANN Dari hasil prediksi ARIMA dan hasil prediksi ANN pada bulan September 2007 sampai Desember 2007, dihitung masing-masing MSE terhadap nilai atau harga sebenarnya. Gambar 9: Grafik forecast saham ANTM dengan Metode ARIMA dan ANN Tabel dibawah ini menujukkan hasil prediksi menggunakan ANN dapat menghasilkan hasil dengan nilai error rate yang lebih rendah dengan hasil prediksi menggunakan ARIMA. Mean Square Error ARIMA ANN
11 54 Perbandingan juga dilakukan dengan melakukan uji-t atas data-data hasil error dengan metode ARIMA dan metode ANN, untuk mengetahui apakah beda antara hasil ARIMA dan ANN ini signifikan atau tidak. Berikut Hasil dari Lavene Test & Uji-T: Group Statistics METOD E N Mean Std. Deviation Std. Error Mean ANGKA ANN E ARIMA E Lavene Test Hipotesa H0 = tidak ada perbedaan varians error antara ANN dan ARIMA (varians sama) H1 = ada perbedaan varians error yang significant antara ANN dan ARIMA varians beda) Dasar Pengambilan Keputusan sig < α Tolak H0
12 55 sig > α Terima Ho Keputusan Sig < 0.05 Tolak H0 Kesimpulan Ada perbedaan varians error yang significant antara ANN dan ARIMA varians (beda) Uji T Berdasarkan pada uji levene s sebelumnya didapatkan hasil bahwa varians keduanya berbeda, maka nilai sig untuk T-test dapat dilihat pada equal variances not assumed. Hipotesa H0 = tidak ada perbedaan rata-rata kecepatan yang significant antara metode ARIMA dan ANN H1 = ada perbedaan rata-rata kecepatan yang significant antara metode ARIMA dan ANN Dasar Pengambilan Keputusan sig < α Tolak H0
13 56 sig > α Terima Ho Keputusan Sig (2 tailed) > 0.05 Terima H0 Kesimpulan Ada perbedaan rata-rata hasil error yang significant antara metode ARIMA dan metode ANN LIMITASI Dalam penelitian ini, faktor-faktor eksternal seperti faktor ekonomi dan faktor fundamental perusahaan tidak ikut dijadikan variable input dari ANN disebabkan karena limitasi keseragaman, ukuran dan validitas dari variable tersebut. Penelitian hanya dilakukan untuk saham ANTM pada tahun dengan data sample bulan September sampai desember 2007, karena limitasi dari data tahun-tahun sebelumnya yang tidak lengkap. Data tahun 2004 Agustus 2007 digunakan dalam proses pembelajaran dalam ANN, dan dari model tersebut dicoba untuk memprediksi harga pada bulan september sampai desember 2007, yang dianggap belum diketahui. Agar mendapatkan hasil yang lebih akurat, prediksi harga saham hanya dilakukan untuk memprediksikan harga saham 1 hari ke depan. ARIMA mempunyai sifat untuk nilai saham yang stagnan akan selalu stagnan, yang naik akan terus naik, dan begitu
14 57 pula sebalikknya. Nilai-nilai yang digunakan dalam metode ARIMA adalah nilai harga saham pada hari sebelumnya dan beberapa hari sebelumnya, sedangkan nilai input yang digunakan pada metode ANN adalah variable-variable input yang merupakan nilai aktual pada satu hari sebelumnya. Oleh karena itu, prediksi yang dilakukan untuk 1 hari kedepan. Dalam membandingkan kedua metode ini, hal yang terpenting adalah sampai sajauh mana error antara actual dengan forecast berbeda antara berbagai metode forecasting. Jadi error dalam forecasting beda dengan error secara umum di statistika. Error dalam pengertian statistika adalah perbedaan pengamatan dengan rata-ratanya. Sedangkan error (tepatnya deviasi) pada foracast adalah perbedaan forecast dengan nilai actual. Dalam ANN, penilitian tidak tertarik dengan rata-rata, demikian juga sebenarnya dalam forecasting statistika, tetapi tertarik dengan sampai sejauh mana masing-masing hasil forecast beda dengan actual value. Masing-masing forecast (setiap titik) mempunyai population mean sendiri-sendiri dan forecast itu merupakan estimates dari population mean pada titik itu. Uji-T dilakukan sebagai tambahan testing untuk membandingkan signifikasi dari kedua metode tersebut. Walaupun ada beberapa limitasi, yang tidak dapat dilakukan dalam uji-t ini karena ANN menggunakan metode yang bersifat prediktif. Untuk membandingkannya, biasanya hanya cukup dengan membandingkan mse dari kedua metode tersebut saja.
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM Nanik Susanti 1* 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus
Lebih terperinciBab IV. Pembahasan dan Hasil Penelitian
Bab IV Pembahasan dan Hasil Penelitian IV.1 Statistika Deskriptif Pada bab ini akan dibahas mengenai statistik deskriptif dari variabel yang digunakan yaitu IHSG di BEI selama periode 1 April 2011 sampai
Lebih terperinciBAB III METODOLOGI PENELITIAN. Pelaksanaan penelitian ini, memerlukan banyak hal yang harus
BAB III METODOLOGI PENELITIAN III.1 Diagram Alur (Flowchart) Pelaksanaan penelitian ini, memerlukan banyak hal yang harus diperhatikan sebagai persiapan dalam melakukan penelitian. Tujuannya agar memperkecil
Lebih terperinciBAB 3 METODE PENELITIAN
31 BAB 3 METODE PENELITIAN 3.1 Pengumpulan Data (Data gathering). Pengumpulan data harus mampu mendeskripsikan data yang ada, serta memiliki kontribusi terhadap pengetahuan. Data yang tidak lengkap perlu
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Hasil Analisis Statistik Deskriptif Berdasarkan data yang diinput dari Laporan keuangan triwulan periode tahun 2009-2011 maka dapat dihitung rasio-rasio keuangan
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 terperinciPrediksi Harga Saham dengan ARIMA
Prediksi Harga Saham dengan ARIMA Peramalan harga saham merupakan sesuatu yang ditunggu-tunggu oleh para investor. Munculnya model prediksi yang baru yang bisa meramalkan harga saham secara tepat merupakan
Lebih terperinciBAB III. METODOLOGI. kegiatan manusia membuat penelitian dengan domain teknik informatika
BAB III. METODOLOGI 3.1. Kerangka Pikir Teknik informatika yang memiliki andil yang cukup besar dalam berbagai kegiatan manusia membuat penelitian dengan domain teknik informatika merupakan hal yang menarik
Lebih terperinciMETODOLOGI PENELITIAN
digilib.uns.ac.id BAB III METODOLOGI PENELITIAN 3.1 Studi Literatur Studi ini dilakukan dengan cara mencari dan membaca berbagai literatur serta karya-karya penelitian mengenai topik penelitian yang sudah
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih 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 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 terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
Lebih 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 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 terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang
57 BAB 4 IMPLEMENTASI DAN EVALUASI Dalam bab ini, selain menjelaskan mengenai kebutuhan minimum untuk perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang dihasilkan, juga akan
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 terperinciBAB IV LAPORAN HASIL PENELITIAN
88 BAB IV LAPORAN HASIL PENELITIAN 1. Penyajian dan Analisis Data A. Penyajian data tentang hasil evaluasi siswa ketika menggunakan media flash dan evaluasi secara tulis. Table 4.1 Hasil nilai siswa saat
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 terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI
PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION (Studi Kasus : Harga Penutupan Saham Unilever Indonesia Tbk. Periode September
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciBAB 3 DATA DAN METODOLOGI PENELITIAN
BAB 3 DATA DAN METODOLOGI PENELITIAN 3. Pengantar Penelitian ini bertujuan untuk melihat apakah metode Artificial Neural Network (ANN) dapat lebih akurat memprediksi harga saham di Indonesia dibandingkan
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciBAB 4 ANALISIS DAN HASIL PENELITIAN. Penggunaan analisis statistik deskriptif untuk memberikan gambaran data yang akan
BAB 4 ANALISIS DAN HASIL PENELITIAN 1.1 Analisis Hasil Penelitian 1.1.1 Analisis Deskriptif Statistik Penggunaan analisis statistik deskriptif untuk memberikan gambaran data yang akan dijadikan sampel
Lebih terperinci4.1. Pengumpulan data Gambar 4.1. Contoh Peng b untuk Mean imputation
4.1. Pengumpulan data Data trafik jaringan yang diunduh dari http://www.cacti.mipa.uns.ac.id:90 dapat diklasifikasikan berdasar download rata-rata, download maksimum, download minimum, upload rata-rata,
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 IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Gambaran Umum Subyek Penelitian Penelitian dilakukan di SD N Salaman 1 yang terletak di dusun Kauman desa Salaman, Kecamatan Salaman, Kabupaten Magelang. SD N
Lebih terperinciPEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA)
PEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA) Salmawaty Tansa 1, Bambang Panji Asmara 2 Fakultas Teknik, Jurusan Teknik Elektro,
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
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 terperinciPeramalan Permintaan Susu Pasteurisasi Menggunakan Metode Jaringan Syaraf Tiruan dan Time Series (Studi Kasus di Koperasi Susu SAE Pujon, Malang)
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
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 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 terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Deskripsi Data Hasil Penelitian Statistik deskriptif digunakan untuk melihat gambaran secara umum data yang telah dikumpulkan dalam penelitian ini. Berikut hasil
Lebih terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih 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 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 terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciANALISIS NEURAL NETWORK STRUKTUR BACKPROPAGATION SEBAGAI METODE PERAMALAN PADA PERHITUNGAN TINGKAT KEMISKINAN DI INDONESIA
Jurnal Techno Nusa Mandiri Vol. XIII, No. 1 Maret 2016 9 ANALISIS NEURAL NETWORK STRUKTUR BACKPROPAGATION SEBAGAI METODE PERAMALAN PADA PERHITUNGAN TINGKAT KEMISKINAN DI INDONESIA Astriana Mulyani Jurusan
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 IV PELAKSANAAN DAN PENELITIAN
BAB IV PELAKSANAAN DAN PENELITIAN 4.1 Gambaran Umum Responden Jumlah karyawan dibagian Weaving PT.Timatex berjumlah 247 orang. Gambaran responden di tinjau dari jenis kelamin, tingkat pendidikan, umur,
Lebih terperinciESTIMASI PARAMETER MODEL HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK PADA HASIL PENGUKURAN MEAN SEA LEVEL SATELIT ALTIMETRI JASON 2
Vol. 7, No. 2, Desember 2012 ESTIMASI PARAMETER MODEL HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK PADA HASIL PENGUKURAN MEAN SEA LEVEL SATELIT ALTIMETRI JASON 2 Novi Mara KODE ARTIKEL : 117-2-12
Lebih terperinciMEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG)
MEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG) R. Ayu Mahessya, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas
Lebih terperinciUji Perbandingan Rata-Rata
Uji Perbandingan Rata-Rata Pengujian hipotesis perbandingan rata-rata dilakukan untuk melihat kesesuaian dugaan peneliti terhadap suatu objek yang diteliti dengan kenyataannya. Misalnya seorang peniliti
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Gambaran Umum Subyek Penelitian Penelitian ini dilaksanakan di SMP Negeri 1 Bergas Kecamatan Bergas Kabupaten Semarang yang berlokasi di Desa Karangjati. Kelas
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 terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Penelitian ini bertujuan untuk mengetahui peningkatan kemampuan koneksi matematis siswa dengan penerapan pembelajaran melalui pendekatan Collaborative Problem Solving.
Lebih terperinciIV HASIL DAN PEMBAHASAN
tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
39 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data dan Pembahasan Data yang dimiliki dalam penelitian ini dibagi menjadi dua, yaitu: 1. Suara gamelan Bonang 2. Bukan suara Gamelan Bonang (Gamelan
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
Lebih terperinciSIMULASI DAN PREDIKSI JUMLAH PENJUALAN AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (Study Kasus: PDAM TIRTA KEPRI) Ilham Aryudha Perdana
SIMULASI DAN PREDIKSI JUMLAH PENJUALAN AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (Study Kasus: PDAM TIRTA KEPRI) Ilham Aryudha Perdana Mahasiswa Program Studi Teknik Informatika, Universitas
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN A. Analisis Statistik Deskriptif Analisis statistik deskriptif merupakan suatu metode dimana datadata yang dikumpulkan dan dikelompokkan kemudian dianalisis dan diinterprestasikan
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 IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1. Gambaran Umum Subyek Penelitian Penelitian ini dilaksanakan di SD N Tejosari Kecamatan Ngablak Kabupaten Magelang Tahun Pelajaran 2011/2012, yang dijadikan subyek
Lebih terperinciBAB IV HASIL ANALISIS DAN PEMBAHASAN. membuat kesimpulan yang berlaku untuk umum.
A. Uji Statistik Deskriptif BAB IV HASIL ANALISIS DAN PEMBAHASAN Statistik deskriptif adalah statistik yang berfungsi untuk mendeskripsikan atau memberi gambaran terhadap objek yang diteliti melalui data
Lebih terperinciKenyo 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 terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
61 BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Statistik Deskriptif Statistik deskripsi menjelaskan karakteristik dari masing-masing variabel yang terdapat dalam penelitian, baik variabel dependen maupun independen
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 Penerapan Jaringan Syaraf Tiruan Untuk Estimasi Needs
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 terperinciUNIVERSITAS INDONESIA PENDEKATAN ARTIFICIAL NEURAL NETWORK METODE BACKPROPAGATION DALAM PEMODELAN PERGERAKAN HARGA SAHAM
UNIVERSITAS INDONESIA PENDEKATAN ARTIFICIAL NEURAL NETWORK METODE BACKPROPAGATION DALAM PEMODELAN PERGERAKAN HARGA SAHAM (STUDI PADA KEMAMPUAN KETEPATAN MEMPREDIKSI PERGERAKAN SAHAM-SAHAM INDEKS LQ45 MENGGUNAKAN
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Parameter Gauss Untuk dapat melakukan pengolahan data menggunakan ANN, maka terlebih dahulu harus diketahui nilai set data input-output yang akan digunakan. Set data inputnya yaitu
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. terdaftar di Bursa Efek Indonesia periode tahun Pengambilan sampel
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Sampel Penelitian Populasi yang diambil dalam penelitian ini adalah perusahan LQ-45 yang terdaftar di Bursa Efek Indonesia periode tahun 2011-2015. Pengambilan
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN. Semua partisipan dalam penelitian ini berjenis kelamin wanita dan berusia
BAB 4 HASIL DAN PEMBAHASAN 4.1 Data Demografis 4.1.1. Jenis kelamin dan usia Semua partisipan dalam penelitian ini berjenis kelamin wanita dan berusia antara 41 65 tahun. Tabel 4.1. Usia Partisipan Usia
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 IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Gambaran Karakteristik Responden Penelitian ini bertujuan untuk mengetahui apakah terdapat perbedaan persepsi mengenai sensitivitas moral, pertimbangan moral, dan
Lebih terperinci. Enter. Model Summary b. a. Predictors: (Constant), UMR, SLTP, SLTA, Jumlah penduduk, Perguruan tinggi. ANOVA b
LAMPIRA Complete / b,,, penduduk, b. Dependent Variable: PDRB Summary b Durbin- Watson,993 a,985,977 952659,2 3,07 a. Predictors:,,,,, tinggi b. Dependent Variable: PDRB 2,32E+7 5 4,63E+6 2,460,000 a 3,43E+5
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
32 BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dibahas tentang analisis sistem melalui pendekatan secara terstruktur dan perancangan yang akan dibangun dengan tujuan menghasilkan model atau representasi
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Pada bab ini akan membahas mengenai analisis data dari hasil pengolahan
43 BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini akan membahas mengenai analisis data dari hasil pengolahan data-data yang diperoleh dari hasil penelitian. Hasil analisis data yang diperoleh merupakan
Lebih terperinciUji Perbandingan Rata-Rata
Uji Perbandingan Rata-Rata Pengujian hipotesis perbandingan rata-rata dilakukan untuk melihat kesesuaian dugaan peneliti terhadap suatu objek yang diteliti dengan kenyataannya. Misalnya seorang peniliti
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 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 terperinciBAB IV HASIL PENELITIAN. kecenderungan jawaban responden dari tiap-tiap variabel, baik mengenai
BAB IV HASIL PENELITIAN A. Deskripsi Data Statistik deskriptif digunakan sebagai dasar untuk menguraikan kecenderungan jawaban responden dari tiap-tiap variabel, baik mengenai kompetensi guru, motivasi
Lebih terperinciDUKUNGAN SOSIAL. Item-Total Statistics
55 DUKUNGAN SOSIAL Reliability Item-Total Statistics Soal_1 Soal_2 Soal_3 Soal_4 Soal_5 Soal_6 Soal_7 Soal_8 Soal_9 Soal_10 Soal_11 Soal_12 Soal_13 Soal_14 Soal_15 Soal_16 Soal_17 Soal_18 Soal_19 Soal_20
Lebih terperinciBAB III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu yang akan terjadi dimasa sekarang maupun yang akan datang. dikarena masa yang akan datang
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciBAB IV ANALISA DAN PEMBAHASAN. terlebih dahulu untuk mendapatkan hasil yang akurat. Berdasarkan statistik deskriptif diperoleh hasil sebagai berikut :
45 BAB IV ANALISA DAN PEMBAHASAN 4.1 Analisis Statistik Dekriptif Dalam analisa data menggunakan teknik regresi sederhana, data sampel yang digunakan harus melalui uji asumsi klasik (normalitas data) terlebih
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 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 terperinciIV. HASIL DAN PEMBAHASAN Hasil Perhitungan Tingkat Pengembalian (Return) Reksa Dana Dan
IV. HASIL DAN PEMBAHASAN 4.1 Hasil Perhitungan Dan Pembahasan 4.1.1 Hasil Perhitungan Tingkat Pengembalian (Return) Reksa Dana Dan Independent T-test return. Perhitungan tingkat pengembalian reksa dana
Lebih terperinciBAB IV HASIL PENELITIAN
BAB IV HASIL PENELITIAN A. Deskripsi Data 1. Analisis Deskripsi Inflasi Tabel 4.1 Statistik Deskriptif Inflasi Descriptive Statistics N Minimum Maximum Mean Std. Deviation Inflasi 36 3.35 8.79 6.5892 1.44501
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN. corporate social responsibility. Size (ukuran) perusahaan, likuiditas, dan
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Statistik Deskriptif Statistik deskriptif menjelaskan informasi karakteristik variabelvariabel dan data penelitian. Data yang digunakan pada tabel statistik deskriptif
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Panelis Agar hasil yang didapat menjadi lebih akurat, maka panelis yang digunakan oleh penulis merupakan sampel jenuh dimana penulis menggunakan seluruh anggota populasi
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 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 terperinciPERAMALAN BEBAN LISTRIK MENGGUNAK AN JARINGAN SARAF TIRUAN METODE KOHONEN ABSTRAK
PERAMALAN BEBAN LISTRIK MENGGUNAK AN JARINGAN SARAF TIRUAN METODE KOHONEN Galang Jiwo Syeto, Arna Fariza, S.Kom, M.Kom, Setiawardhana, S.T Program DIV Jurusan Teknik Informatika Politeknik Elektronika
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 terperinciHANDOUT METODE PENELITIAN KUANTITATIF ANALISIS DATA MENGGUNAKAN SPSS
HANDOUT METODE PENELITIAN KUANTITATIF ANALISIS DATA MENGGUNAKAN SPSS UJI RELIABILITAS DAN SELEKSI ITEM a. Pindahkan hasil data item dari tabulasi di Excel ke data view SPSS b. Di bagian variable view rubah
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 terperinciPeramalan Indeks Harga Saham Gabungan (IHSG) dengan Metode Extreme Learning Machine (ELM)
Peramalan Indeks Harga Saham Gabungan (IHSG) dengan Metode Extreme Learning Machine (ELM) Afifah Arifia n ty, Mulyono, Med Irzal Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciBAB 1 PENDAHULUAN. datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk
BAB 1 PENDAHULUAN 1.1. Latar Belakang Peramalan adalah menduga atau memperkirakan suatu keadaan di masa yang akan datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk menetapkan kapan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Hasil Penelitian 1. Persiapan dan Pelaksanaan Penelitian Penelitian ini dilakukan melalui empat tahap prosedur penelitian, yaitu tahap persiapan penelitian, tahap
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
37 BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Statistik Deskriptif Variabel yang digunakan dalam penelitian ini adalah Laba Bersih dan Arus Kas Operasi sebagai variabel independen (X) dan Dividen Kas sebagai
Lebih terperinci