JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 7 NO. 2 September 2014
|
|
- Shinta Setiabudi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PERAMALAN JANGKA MENENGAH JUMLAH PELANGGAN LAYANAN SPEEDY PT. TELKOM WILAYAH SUMATERA BARAT DENGAN MENGGUNAKAN NEURO-FUZZY SYSTEM Heru Dibyo Laksono 1 Fandi Achmad 2 ABSTRACT Forecasting the number of Speedy subscribers medium term aims to help telecom companies in planning and development of telecommunication facilities for the smooth process going forward. In this research study forecasting the number of customers conducted by Neuro-Fuzzy System (NFS). NFS is the system integration of the Fuzzy C-Means with Backpropagation Neural Network. Inputs used for training of NFS are factors that greatly affect the expected growth of our customer service Speedy West Sumatra. The data used for training is historical data (actual data) from January 2010 to December 2010 With NFS, the results obtained Speedy forecast number of subscribers in 2011 and after being validated with actual data (data of 2011), which produces an error by 2.98%. Keywords : Neuro-Fuzzy Systems, forecasting customer service number Speedy, Fuzzy C-Means, backpropagation neural network. INTISARI Peramalan jumlah pelanggan layanan Speedy jangka menengah bertujuan untuk membantu perusahaan telekomunikasi dalam perencanaan pembangunan dan pengembangan fasilitas demi kelancaran proses telekomunikasi kedepannya. Pada penelitian ini studi peramalan jumlah pelanggan dilakukan dengan Neuro-Fuzzy System (NFS). NFS merupakan sistem integrasi dari Fuzzy C-Means dengan Jaringan Syaraf Tiruan Backpropagation. Input yang digunakan untuk pelatihan NFS adalah faktorfaktor yang diperkirakan sangat mempengaruhi pertumbuhan jumlah pelanggan layanan Speedy wilayah Sumatera Barat. Data yang digunakan untuk pelatihan adalah data historis (data aktual) dari bulan Januari 2010 sampai dengan bulan Desember Dengan NFS, diperoleh hasil ramalan jumlah pelanggan layanan Speedy pada tahun 2011 dan setelah divalidasi dengan data sebenarnya (data tahun 2011), yang menghasilkan error sebesar 2,98%. Kata Kunci : Neuro-Fuzzy System, peramalan jumlah pelanggan layanan Speedy, Fuzzy C-Means, jaringan syaraf tiruan backpropagation. 3 1 Dosen Jurusan Teknik Elektro Fakultas Teknik Universitas Andalas 2 Alumni Jurusan Teknik Elektro Fakultas Teknik Universitas Andalas 13
2 PENDAHULUAN Dalam dunia statistik, umumnya data yang didapat bersifat time-series. Dengan menganalisis data timeseries (time-series analysis) maka data tersebut dapat dimodelkan ke dalam persamaan matematika. Salah satu kegunaan dari time-series analisis ini adalah untuk meramalkan data yang akan dihasilkan dimasa yang akan datang berdasarkan datadata yang diperoleh saat ini (forecasting). Akan tetapi, untuk melakukan pemodelan data secara matematis untuk data time-series yang tidak linear, akan sangat sulit, bahkan hampir tidak mungkin untuk dilakukan. Oleh karena itu, digunakanlah sistem Artificial Intelligence (kecerdasan buatan) untuk melakukan pemodelan data tersebut. Dimana dalam pada penelitian kali ini sistem cerdas yang digunakan yaitu metoda Neuro-Fuzzy System,yakni metoda yang berasal dari penggabungan antara Logika Fuzzy dengan Jaringan Syaraf Tiruan. Sistem ini dapat memodelkan datadata nonlinear, sehingga kita dapat mendesain data-data nonlinear ke dalam sebuah model yang dapat dipakai untuk mendesain sebuah sistem untuk forecasting atau peramalan. Data time-series yang akan digunakan dalam penulisan tugas akhir ini adalah data dari jumlah pelanggan layanan Speedy pada PT. Telekomunikasi Indonesia wilayah Sumatera Barat. Meramalkan (forecast) data jumlah pelanggan layanan ini sangat diperlukan, karena kita ingin membuat keputusan penting dalam memenuhi kebutuhan konsumen akan jaringan telekomunikasi, dan mengatur strategi pengembangan infrastuktur agar dapat tetap menyelenggarakan layanan telekomunikasi kepada masyarakat dengan sebaik-baiknya. Penelitian ini bertujuan untuk menerapkan Neuro-Fuzzy System dalam peramalan datatime-series dan untuk memperkirakan jumlah pelanggan layanan Speedy pada masa yang akan datang dengan berbasis data yang ada sebelumnya serta uuntuk menguji metoda Neuro- Fuzzy Systemyang digunakan dalam peramalan data, dengan data sebenarnya (real data). Adapun batasan masalah dalam penelitian ini adalah: 1. Input data merupakan data jumlah pelanggan layanan Speedy dari bulan Januari 2010 sampai Desember 2010 dari PT. Telekomunikasi Indonesia wilayah Sumatera Barat. 2. Data time-series yang digunakan untuk peramalan adalah data historis perusahaan selama satu tahun. 3. Teknik yang digunakan untuk peramalan yaitu metoda Neuro- Fuzzy System, dengan algoritma yang digunakan berbasis FuzzyClusterMean dan Jaringan Syaraf Tiruan Backpropagation. 4. Peramalan dilakukan dengan asumsi, tidak ada perubahan radikal dalam satu tahun mendatang yang menyebabkan pola pertumbuhan pengguna layanan Speedy berbeda jauh dari trend selama ini. 5. Implementasi sistem peramalan data dengan menggunakan software MATLAB PENDEKATAN PEMECAHAN MASALAH Peramalan Peramalan (forecasting) adalah sebuah perkiraan terhadap peristiwa dimasa depan. Tujuan dari peramalan adalah untuk mengurangi resiko dalam pembuatan keputusan. Deret waktu (time series) adalah urutan orde-waktu amatan dari sebuah variabel. Analisis deret waktu menggunakan data sejarah deret waktu variabel yang ingin diramal untuk membangun model yang digunakan untuk memprediksi 14
3 nilainya dimasa depan [1]. Terdapat tiga kategori waktu yaitu jangka pendek (minggu bulan), menengah (bulan tahun), dan jangka panjang (tahun dekade). Tabel berikut ini menunjukkan tipe-tipe keputusan berdasarkan jangka waktu peramalannya [2]. Tabel 1. Rentang Waktu dalam Peramalan Rentang Tipe Contoh Waktu Keputusan Jangka Perencanaan Pendek Operasional Produksi, (3 6 Distribusi bulan) Jangka Menengah (6 bulan 2 tahun) Jangka Panjang (Lebih dari 2 tahun) Taktis Strategis Penyewaan Lokasi dan Peralatan Penelitian dan Pengembangan untuk akuisisi dan merger Kecerdasan Buatan Kecerdasan buatan (Artificial Intelligence)adalah studi yang mempelajari bagaimana membuat komputer mampu melakukan segala sesuatu yang bisa dilakukan oleh manusia secara lebih baik.kebanyakan ahli mendefinisikan kecerdasan buatan memiliki dua ide dasar yaitu; pertama, kecerdasan buatan melibatkan pembelajaran proses berpikir manusia. Kedua, proses berpikir tersebut direpresentasikan melalui mesin. Jika mampu diimplementasikan dengan baik, maka mesin akan memiliki kemampuan fungsi-fungsi kompleks yang oleh manusia mampu dilakukan secara mudah. Salah satu bentuk kemampuan itu diantaranya adalah kemampuan membaca pola [3]. Jaringan Syaraf Tiruan Jaringan syaraf tiruan merupakan suatu pemrosesan informasi yang di desain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses pembelajaran. Seperti halnya otak manusia, jaringan saraf tiruan terdiri dari neuron-neuron yang saling berhubungan. Informasi yang diterima neuron akan ditransformasikan melalui jaringan keluarannya ke neuron yang lain. [4] Jaringan saraf tiruan ditentukan oleh beberapa hal sebagai berikut: 1. Pola hubungan antar neuron (arsitektur jaringan) 2. Metode untuk menentukan bobot penghubung (metode learning/training) 3. Penggunaan bias 4. Fungsi aktifasi Jaringan syaraf tiruan memiliki arsitektur tersendiri. Beberapa arsitektur yang digunakan dalam jaringan syaraftiruan adalah: 1. Jaringan dengan lapisan tunggal (single layer network) Jaringan lapisan tunggal hanya memiliki satu lapisan dengan bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. X1 X2 X3 W11 W12 Y1 W21 W22 W31 Y2 W32 NilaiInput Lapisan Input Matrik Bobot Lapisan Output Nilai Output Gambar 1. Jaringan dengan lapisan tunggal 2. Jaringan dengan banyak lapisan (multi layer network) Jaringan dengan banyak lapisan 15
4 memiliki satu atau lebih lapisan yang terletak diantara lapisan input dan lapisan output yang disebut dengan lapisan tersembunyi (hiddenlayer). Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan tunggal, tetapi dengan pembelajaran yang lebih rumit. Nilai Input Sistem Inferensi Fuzzy Sistem inferensi fuzzy (fuzzyinferencesystem atau FIS) merupakan suatu kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy berbentuk if then, dan penalaran fuzzy. Secara garis besar, diagram blok proses inferensi fuzzy terlihat pada gambar 3 [6]. Aturan 1 IF -THEN Input Agregasi X1 X2 X3 Lapisan Input Aturan-n W 21 W 22 IF -THEN Defuzzy W11 W 12 Z1 W31 Z2 W 32 Matrik Bobot Lapisan Tersembunyi Output Gambar 3. Proses Sistem Inferensi Fuzzy W 1 Y1 W 2 Matirk Bobot Lapisan Output Nilai Output Gambar 2. Jaringan dengan banyak lapisan (multilayer network) Jaringan Syaraf Tiruan Propagasi Balik Algoritma pelatihan jaringan saraf perambatan galat mundur terdiri dari dua langkah, yaitu perambatan maju dan perambatan mundur. Langkah perambatan maju dan perambatan mundur ini dilakukan untuk setiap pola yang diberikan selama jaringan mengalami pelatihan [4]. Logika Fuzzy Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar. Suatu nilai dapat bernilai besar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotaan yang memiliki rentang nilai 0 (nol) hingga 1 (satu). Berbeda dengan himpunan tegas yang memiliki nilai 1 atau 0 (ya atau tidak) [5]. Struktur dasar dari sistem inferensi fuzzy berisi tiga komponen konseptual: 1. Dasar aturan yang mana berisi sebuah pemilihan aturan fuzzy. 2. Database yang mendefinisikan fungsi keanggotaan yang digunakan dalam aturan fuzzy. 3. Mekanisme pemikiran yang mengerjakan prosedur inferensi terhadap aturan dan kenyataan yang diketahui untuk menurunkan output atau kesimpulan yang masuk akal. Sistem inferensi fuzzy menerima input crisp. Input ini kemudian dikirim ke basis pengetahuan yang berisi n aturan fuzzy dalam bentuk IF- THEN. Firestrength akan dicari pada setiap aturan. Apabila jumlah aturan lebih dari satu, maka akan dilakukan agregasi dari semua aturan. Selanjutnya, pada hasil agregasi akan dilakukan defuzzyfikasi untuk mendapatkan nilai crisp sebagai output sistem. Fuzzy C-Means Konsep dari fuzzy c-means pertama kali adalah menentukan pusat cluster, yang akan menandai 16
5 lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini masih belum akurat. Tiap-tiap titik data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan tiap-tiap titik data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat [3] Neuro-Fuzzy Neuro-Fuzzy adalah gabungan dari dua sistem yaitu sistem logika fuzzy dan jaringan syaraf tiruan. Sistem Neuro-Fuzzy berdasar pada sistem inferensi fuzzy yang dilatih menggunakan algoritma pembelajaran yang diturunkun dari sistem jaringan syaraf tiruan. Pelatihan dengan jaringan syaraf dapat memberikan cara yang baik untuk mengatur pengetahuan kepakaran dan secara otomatis membuat aturan-aturan dan fungsifungsi keanggotaan fuzzy tambahan untuk pencapaian suatu spesifikasi tertentu [7]. Sebelum data input dan data output (target) diimplementasikan kedalam algoritma jaringan syaraf tiruan, data tersebut harus terlebih dahulu dinormalisasi. Tujuannya agar jaringan syaraf tiruan dapat mengenali data yang akan menjadi masukan bobot-bobotnya. Data yang dinormalisasi ini akan bernilai 0 sampai 1, sesuai dengan fungsi aktifasi yang digunakan. Data dinormalisasi ke dalam bentuk dengan rumus: dimana: 1 Data yang telah dinormalisasi selanjutnya akan dibagi menjadi r kelas data dengan menggunakan metode pengclusteran Fuzzy Clustering Means (FCM). Sehingga nantinya akan diperoleh r buah aturan. Konsep dasar yang mendasari pengclusteran dalam Fuzzy C-Means adalah: 1. Penentuan awal dari pusat cluster yang menandai lokasi rata-rata untuk tiap cluster, dengan kondisi awal tidak akurat. 2. Tiap data memiliki derajat keanggotaan untuk masingmasing cluster. 3. Dengan perulangan didasarkan pada minimisasi fungsi obyektif, pusat cluster dan nilai keanggotaan diperbaiki secara berulang-ulang. Sehingga lokasi cluster bisa berada pada posisi yang benar. Dari hasil clusteringakan diperoleh nilai keanggotaan setiap data pada setiap cluster, dan akan nampak kecenderungan suatu data masuk ke salah satu cluster. Dan untuk setiap vektor input pada TRD, akan ditentukan target output untuk pelatihan bagian anteseden dengan m i =, i = 1,2,, n. Kemudian data pasangan input-output dibagi sesuai kelasnya untuk nantinya dilatih dengan jaringan syaraf tiruan. Arsitektur jaringan syaraf tiruan yang akan digunakan dalam penelitian ini adalah jaringan syaraf tiruan dengan banyak lapisan (multilayer network). Jumlah lapisan yang digunakan adalah sebanyak tiga lapisan, yang terdiri dari lapisan input, lapisan tersembunyi (hiddenlayer), dan lapisan output. Langkah-langkah yang dilakukan dalam inisialisasi jaringan syaraf tiruan antara lain adalah sebagai berikut: Penentuan jumlah neuron pada lapisan tersembunyi. 17
6 Jumlah neuron pada lapisan tersembunyi diperoleh dengan caratrial and error menggunakan neuron, dengan kenaikan 10 neuron per percobaan. Pelatihan Jaringan Syaraf Tiruan pada bagian anteseden (bagian IF) serta bagian konsekuen (bagian THEN) pada aturanaturan inferensi fuzzy. Jaringan yang digunakan adalah jaringan saraf tiruan banyak lapisan (multilayer neural network) dengan satu lapisan input, satu lapisan tersembunyi, serta satu lapisan output. Parameter jaringan syaraf tiruan yang dilatih pada bagian anteseden dan konsekuen antara lain adalah sebagai berikut: i Neuron pada lapisan tersembunyi Jumlah neuron yang digunakan pada lapisan tersembunyi dipilih berdasarkan hasil error terkecil pada inisialisasi jaringan syaraf tiruan. ii Minimum Square Error (MSE) MSE bertujuan agar JST dapat memproses data dengan error (selisih antara keluaran yang sebenarnya dengan keluaran yang diinginkan) seminimal mungkin. Besarnya nilai MSE yang digunakan dalam penelitian ini adalah 1 x iii Iterasi (Epochs) Pada penelitian ini jumlah iterasi maksimum ditetapkan bernilai 1000 kali iterasi. iv Fungsi Aktifasi Pada penelitian ini, fungsi aktifasi yang digunakan adalah fungsi sigmoid untuk lapisan tersembunyi pertama dan fungsi aktifasi purelin pada lapisan output. Dari hasil simulasi jaringanjaringan yang telah dilatih sebelumnya, output dari sistem NFS dapat ditentukan dengan persamaan sebagai berikut: dimana: Validasi data diperlukan untuk mengetahui apakah output dari penelitian ini layak untuk digunakan atau tidak, karena dalam suatu validasi akan dilihat seberapa valid/mirip data hasil peralaman dengan data yang sebenarnya (data real). Data yang akan digunakan sebagai data validasi dari output sistem adalah data historis pada tahun Dalam peramalan, toleransi kesalahan (error) untuk peramalan jangka pendek adalah 10% [2] Rumusan error (E. Srinivas and Amit Jain (2009)), yaitu: 3 HASIL DAN PEMBAHASAN Dalam perancangan Neuro- Fuzzy System (NFS) pada penelitian ini, data input yang digunakan terbagi atas input pelatihan atau training data (TRD) dan data input peramalan. TRD digunakan sebagai data yang akan di-cluster dan dilatih. Data aktual yang digunakan adalah data historis pada tahun Data input dan target output untuk training yaitu data historis dari bulan Januari 2010 sampai dengan bulan Desember 2010, serta data tahun 2011akan digunakan sebagai data validasi. Data input untuk masa peramalan (bulan Januari 2011 sampai Desember 2011) diperoleh dengan memprediksi data. Prediksi data dilakukan dengan melihat kecenderungan pertumbuhan data masa lalu dengan menggunakan fasilitas trendline yang tersedia pada software Micfrosoft Office Excel Data ini kemudian diinputkan ke jaringan-jaringan saraf tiruan yang 2 18
7 telah mengalami proses pelatihan, sehingga diperoleh peramalan jumlah pelanggan Speedy selama satu tahun kedepan.hasil peramalan ini kemudian akan dibandingkan dengan data sebenarnya (realdata) yang ada pada tahun Sebelum data input pelatihan dilatihkan ke NFS, perlu dilakukan proses preprocessing atau normalisasi data, sehingga data diproses dengan nilai yang lebih kecil tanpa kehilangan karakteristik data. Normalisasi data input dan target output memungkinkan pelatihan JST menjadi lebih efisien. Pada penelitian ini preprosessing data dilakukan dengan mengubah rentang nilai data input menjadi rentang nilai yang lebih kecil yaitu [0,1]. Data input dan target output yang telah dinormalisasi kemudian dicluster dengan metoda fuzzycmeans untuk menentukan nilai keanggotaan masing-masing data. Parameter yang digunakan dalam pengclusteran adalah 2 untukjumlah cluster, pangkat pembobot yang digunakan yaitu 2, maksimum iterasi bernilai 100, serta minimum error yang diharapkan sebesar 1x10-5. Pemilihan 2 cluster dalam penelitian ini dikarenakan semakin banyak jumlah cluster, maka jumlah input untuk pelatihan nantinya akan semakin sedikit, sehingga akan mengurangi performa pelatihan jaringan syaraf. Pembagian data menjadi 2 cluster memberikan aturan inferensi fuzzytakagi-sugeno sebagai berikut: Pengclusteran dengan fungsi FCM pada Matlab akan memberikan 3 output yaitu Matriks U sebagai matriks partisi akhir, pusat cluster masing-masing data, dan nilai fungsi obyek. Pada penelitian ini, yang diperlukan hanyalah matriks partisi akhir U, untuk memperoleh nilai keanggotaan setiap data pada setiap cluster, dan kecenderungan suatu data masuk ke suatu clusterseperti terlihat pada tabel 2. Tabel 2. Hasil clustering TRD Data ke- Matriks Partisi Kecendrunga n Masuk Cluster Kelas- Kelas * * * * * * * * * * * * Untuk setiap Vektor input pada TRD ditentukan nilai keanggotaan m i hasilnya terlihat pada Tabel 3: Tabel 3. Nilai keanggotan m i Data Kecendrungan Masuk Cluster Nilai Keanggotaan ke- Kelas- Kelas- 1 2 ms1 ms Nilai keanggotaan m i pada tabel 4.2nantinya akan digunakan sebagai target output pelatihan JST yang berhubungan dengan bagian anteseden (Bagian IF) pada NFS. 19
8 Arsitektur jaringan syaraf tiruan terdiri dari lapisan input, lapisan tersembunyi, dan lapisan output. Penentuan neuron pada lapisan tersembunyi ini dilakukan berdasarkan trial and error. Percobaan dilakukan dengan variasi neuron 10 sampai 200 dengan kenaikan 10 neuron per percobaan, arsitektur jaringan dengan error terkecil dipilih untuk dijadikan sebagai jumlah neuron pada arsitektur jaringan untuk pelatihan selanjutnya. Hasil error pada setiap variasi neuron dapat dilihat pada tabel 4 berikut: saraf tiruan banyak lapisan) menggunakan input TRD dengan output nilai keanggotaan m i. JST Backpropagation dibangun dan dilatihkan dengan neural network toolbox. Pada saat pendeklarasian jaringan,bobot-bobot dan bias lapisan ditentukan dimulai dari 0, nilai bobot dan bias inilah yang akan terus bertambah dan diperbaiki selama proses pelatihan. Tabel 4. Nilai error pada setiap variasi neuron pada hidden layer Jumlah Neuron Error (%) Jumlah Neuron Error (%) Dari tabel 4 dapat dilihat bahwa nilai error terkecil didapatkan pada percobaan dengan jumlah neuron 90 pada lapisan tersembunyi. Jumlah ini akan digunakan sebagai jumlah neuron lapisan tersembunyi pada jaringan syaraf yang akan dilatih. Arsitektur JST Backpropagation yang digunakan dalam pembelajaran bagian IF(bagian anteseden) adalah multilayer neural network(jaringan Gambar 4. Grafik Pelatihan JST bagian IF dengan konfigurasi 90 2 Pada gambar 4 dapat dilihat grafik proses pelatihan jaringan syaraf tiruan pada bagian anteseden. Selama proses pelatihan, bobotbobot dan bias akan diubah secara terus menerus. Hal ini bertujuan agar JST dapat menyesuaikan bobotbobot setiap lapisan sengan target output. Bobot ini akan berubah sampai mencapai nilai MSE 1 x Pada grafik dapat dilihat jaringan syaraf tiruan mencapai nilai error minimum pada iterasi ke-46. Untuk bagian konsekuen, dari data yang didapat pada Tabel 2 data pasangan input TRD dan Target Output dibagi berdasarkan dengan cluster-nya. Selanjutnya dilakukan pembelajaran JST pada masingmasing kelompok data. 20
9 Output NFS tahun 2010 Tabel 5. Output akhir NFS, dan validasi Validasi data target Output setelah didenormalisasi (Y) Data Aktual tahun 2010 (T) T - Y Error (%) Gambar 5. Grafik Pelatihan JST bagian Then pada NN 1 Pada gambar 5. dapat dilihat grafik proses pelatihan JST pada NN 1. JSTselesai dilatih pada iterasi ke Gambar 6. Grafik Pelatihan JST bagian Then pada NN 2 Sedangkan pada gambar 6 dapat dilihat grafik proses pelatihan JST pada NN 2. JSTselesai dilatih pada iterasi ke-213. Dari data-data yang didapat pada simulasi jaringan-jaringan sebelumnya, output akhir ditentukan dengan menggunakan persamaan 2. Hasil dari output akhir ini kemudian di denormalisasi ke bentuk data asli untuk dilakukan validasi terhadap Target Output aktual. Validasi dapat dilihat dari tabel 5. Gambar 7. Grafik Perbandingan Hasil Pelatihan NFS dengan data aktual Data input NFS untuk masa peramalan (Januari 2011 Desember 2011) yang diperoleh dari hasil trendline kemudian disimulasikan kejaringan-jaringan syaraf tiruan yang telah mengalami proses pelatihan.output dari simulasi ini merupakan peramalan jumlah pelanggan Speedy untuk bulan Januari 2011 sampai bulan 21
10 Desember Hasil akhir dari peramalan dengan NFS dapat dilihat pada tabel berikut 6 berikut: Tabel 6.Perbandingan Peramalan dengan NFS dengan data real tahun Bulan Jumlah Pelanggan Speedy Hasil Peramala n dengan NFS Data Aktual Januari Februari Maret April Mei Juni Juli Agustus Septembe r Oktober November Desember Error (%) Dari hasil peramalan dengan NFS diatas, error terkecil yang didapat adalah sebesar % dan error terbesar sebesar %, serta rata-rata error yang terjadi sebesar %. Hasil ini masih dikatakan baik karena masih berada di bawah 10%. [2] KESIMPULAN 1. Neuro-FuzzySystem pada penelitian ini dimodelkan dengan penggunaan 2 cluster. Arsitektur jaringan syaraf yang digunakan terdiri dari 3 lapisan, yaitu lapisan input, lapisan tersembunyi, dan lapisan output, dengan konfigurasi pangkat pembobot = 2, maksimum iterasi = 1000, serta error terkecil yang diharapkan = 1x Untuk validasi dengan data aktual, NFS memperoleh nilai error sebesar %. Hasil ini masih dalam rentang peramalan yang baik, yakni masih dibawah 10%. [2] Hal ini memperlihatkan bahwa metoda NFS cukup baik digunakan untuk peramalan. DAFTAR PUSTAKA [1] Makridakis, S., Wheelwright, S.C., McGee, V.E Forecasting Method and Applications Second Edition. PT. Binarupa Aksara. Jakarta. [2] Montgomery, C. Douglas., L.A.Johnson, and J.S. Gardiner Forecasting and Time Series Analysis. McGraw Hill Book, Singapura. [3] Rich, Elaine., and Kevin Knigth Artificial Intelligence. McGraw Hill Book, Singapura. Gambar 8. Grafik Perbandingan Hasil Peramalan NFS dengan data aktual [4] Betriyanto Peramalan Beban Listrik Daerah Sumatera Barat sampai Tahun 2020 dengan Jaringan Syaraf Tiruan Backpropagation. Universitas Andalas. Padang. 22
11 [5] Putra, Iwan Perdana Aplikasi Logika Fuzzy pada Peramalan Kebutuhan Energi Listrik Jangka Panjang di Provinsi Sumatera Barat sampai Tahun Universitas Andalas. Padang. [6] Setiawan, Kuswara Paradigma Sistem Cerdas. Banyumedia Publishing. Malang. [7] Jang, JSR., C.T. Sun, and E. Mizutani Neuro-Fuzzy and Soft Computing. Prentice Hall International. New Jersey. 23
JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 7 NO. 1 Maret 2014
PERAMALAN BEBAN LISTRIK DAERAH SUMATERA BARAT JANGKA PANJANG DENGAN MENGGUNAKAN INTEGRASI JARINGAN SYARAF TIRUAN DAN SISTEM FUZZY Heru Dibyo Laksono 1 Nicko Fajira 2 ABSTRACT The journal discusses the
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 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 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 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 terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciPREDIKSI 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 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 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 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 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 terperinciJurnal Coding, Sistem Komputer UNTAN Volume 04, No.1 (2016), hal 1-10 ISSN : X
PREDIKSI BEBAN LISTRIK PADA PT.PLN (PERSERO) MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY [1] Prita Ayuningtyas, [2] Dedi Triyanto, [3] Tedy Rismawan [1,2,3] Jurusan Sistem Komputer, Fakultas MIPA
Lebih terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
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 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 terperinciPRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM
ISSN 1412 3762 http://jurnal.upi.edu/electrans ELECTRANS, VOL.11, NO.2, SEPTEMBER 2012, 18-26 PRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY
Lebih terperinciJurnal Elektro ELTEK Vol. 2, No. 1, April 2011 ISSN:
Perbandingan Penggunaan Metode Radial Basis Function Network () Dari Metode Fuzzy Neural Netwotk () Dalam Memperkirakan Beban Jangka Pendek di GI. Gondang Wetan Pasuruan Rory Asrial, Almizan Abdullah,
Lebih terperinciAPLIKASI LOGIKA FUZZY PADA PERAMALAN KEBUTUHAN ENERGI LISTRIK JANGKA PANJANG DI PROVINSI SUMATERA BARAT SAMPAI TAHUN 2018 TUGAS AKHIR
APLIKASI LOGIKA FUZZY PADA PERAMALAN KEBUTUHAN ENERGI LISTRIK JANGKA PANJANG DI PROVINSI SUMATERA BARAT SAMPAI TAHUN 2018 TUGAS AKHIR Sebagai Salah Satu Syarat Untuk Menyelesaikan Program Stratum-1 (S1)
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
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 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 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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
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 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 terperinciModel Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 1 Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama
Lebih terperinciANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN
ANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN Abstrak Vinsensius Rinda Resi - NIM : A11.2009.04645 Program Studi Teknik
Lebih terperinciPREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION
JIMT Vol. 4 No. Juni 207 (Hal 47-55) ISSN : 2450 766X PREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION J.R. Mustakim, R. Ratianingsih 2 dan D. Lusiyanti 3,2,3 Program Studi
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 IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciJurnal Coding, Sistem Komputer Untan Volume 04, No. 3 (2016), hal ISSN: X
SISTEM PENDUKUNG KEPUTUSAN PREDIKSI CURAH HUJAN DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (Studi Kasus: Kota Pontianak) [1] Ruspina Ningsih, [2] Beni Irawan, [3] Fatma Agus Setyaningsih [1][3]
Lebih terperinciANALISIS PERBANDINGAN METODE LOGIKA FUZZY DAN LOGIKA FUZZY CLUSTERING PADA PROYEKSI KEBUTUHAN ENERGI LISTRIK DI INDONESIA SAMPAI TAHUN 2025
ANALISIS PERBANDINGAN METODE LOGIKA FUZZY DAN LOGIKA FUZZY CLUSTERING PADA PROYEKSI KEBUTUHAN ENERGI LISTRIK DI INDONESIA SAMPAI TAHUN 2025 Jenggo Dwyana Prasaja *), Hermawan, and Susatyo Handoko Jurusan
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 terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pasar valuta asing telah mengalami perkembangan yang tak terduga selama beberapa dekade terakhir, dunia bergerak ke konsep "desa global" dan telah menjadi salah satu pasar
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciBAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
Lebih terperinciPenerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih Niska Ramadani Dosen Universitas Dehasen Bengkulu niskaramadani@gmail.com ABSTRAK Pertumbuhan penduduk harus
Lebih terperinciBAB I PENDAHULUAN. universitas swasta yang memiliki 7 Fakultas dengan 21 Program Studi yang
BAB I PENDAHULUAN A. Latar Belakang Masalah Universitas Muhammadiyah Ponorogo merupakan salah satu universitas swasta yang memiliki 7 Fakultas dengan 21 Program Studi yang terdiri dari : 3 program studi
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 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 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 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 terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
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 terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciBAB III METODE PENELITIAN. Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu
BAB III METODE PENELITIAN 3.1 Pengumpulan Data Beban Listrik dari PLN Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu selama lima tahun pada periode 2006-2010, selanjutnya data
Lebih terperinciPREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo)
PREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo) Ifan Wiranto, Wahab Musa, Wrastawa Ridwan Jurusan Teknik Elektro
Lebih 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 terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kabupaten Purworejo adalah daerah agraris karena sebagian besar penggunaan lahannya adalah pertanian. Dalam struktur perekonomian daerah, potensi daya dukung
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 terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih 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 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 terperinciJurusan Teknik Elektro, Universitas Diponegoro Semarang Jl. Prof. Sudharto, SH, Kampus UNDIP Tembalang, Semarang 50275, Indonesia.
ANALISIS PERBANDINGAN METODE LOGIKA FUZZY DENGAN JARINGAN SYARAF TIRUAN BACKPROPAGATION PADA PERAMALAN KEBUTUHAN ENERGI LISTRIK JANGKA PANJANG DI INDONESIA SAMPAI TAHUN 2022 Nahar Nurkholiq *), Tejo Sukmadi,
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 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 terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
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 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 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 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 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 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 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA
ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA Julpan 1 *, Erna Budhiarti Nababan 1 & Muhammad Zarlis 1 1 Program S2 Teknik Informatika
Lebih terperinciPENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto
PENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto Teknik Informatika, Univesitas Dian Nuswantoro ABSTRACT: Peramalan saham merupakan
Lebih terperinciPREDIKSI 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 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 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 terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
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 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 terperinciJurusan Teknik Elektro, Universitas Diponegoro Semarang Jl. Prof. Sudharto, SH, Kampus UNDIP Tembalang, Semarang 50275, Indonesia.
ANALISIS PERBANDINGAN METODE JARINGAN SARAF TIRUAN TANPA DAN DENGAN FUZZY CLUSTERING PADA PROYEKSI KEBUTUHAN ENERGI LISTRIK DI INDONESIA SAMPAI TAHUN 9 Muhammad Addin Bratawijaya *), Hermawan, and Susatyo
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Akhir-akhir ini kita banyak mendengar banyak berita bahwa Perusahaan Listrik Negara (PLN) mengalami kerugian yang sangat besar setiap tahunnya yang disebabkan faktor-faktor
Lebih 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 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 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 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
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 terperinciMODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA
MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA TUGAS AKHIR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sebuah aplikasi berupa Sistem Pendukung Keputusan (Decision Support System) mulai dikembangkan pada tahun 1970. Decision Support Sistem (DSS) dengan
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 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 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 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 terperinciPenyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks
Penyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks Dewi Erla Mahmudah 1, Ratna Dwi Christyanti 2, Moh. Khoridatul Huda 3,
Lebih terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
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 terperinciEstimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan
Estimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan Andi Ihwan 1), Yudha Arman 1) dan Iis Solehati 1) 1) Prodi Fisika FMIPA UNTAN Abstrak Fluktuasi suhu udara berdasarkan
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 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 terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
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 terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciABSTRAK. Kata Kunci : Curah Hujan, Levenberg Marquardt, Backpropagation. ABSTRACT
ABSTRAK Dufan, Ariel. 2016. Prediksi Curah Hujan Dengan Menggunakan Algoritma Levenberg- Marquardt Dan Backpropagation (Studi Kasus : BMKG Kota Tanjungpinang), Skripsi. Tanjungpinang: Jurusan Teknik Informatika,
Lebih terperinci