Prediksi Suku Bunga Acuan (BI Rate) Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS)
|
|
- Yandi Lie
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 2, No. 1, Januari 2018, hlm Prediksi Suku Bunga Acuan (BI Rate) Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS) Nur Adli Ari Darmawand 1, Dian Eka Ratnawati 2, Rizal Setya Perdana 3 Program Studi Teknik Informatika, 1 nuradliaridarmawand@gmail.com, 2 dian_ilkom@ub.ac.id, 3 rizalespe@ub.ac.id Abstrak BI Rate adalah suku bunga kebijakan yang mencerminkan sikap atau stance kebijakan moneter yang ditetapkan oleh bank Indonesia dan diumumkan kepada publik. BI Rate digunakan sebagai tolak ukur kegiatan perekonomian suatu Negara. BI Rate akan mempengaruhi perputaran arus keuangan perbankan, inflasi, investasi dan pergerakan mata uang. Naik turunnya BI Rate sangat diperhatikan oleh para investor dan para pelaku pasar untuk meningkatkan atau menurunkan tingkat produksi dan untuk menambah atau mengurangi investasi yang ada. Hal tersebutlah yang membuat prediksi suku bunga acuan (BI Rate) menjadi penting. Adanya prediksi BI Rate diharapkan mampu membantu para pelaku pasar untuk menentukan keputusan ekonomi jangka panjang. Dalam penelitian ini digunakan metode Adaptive Neuro Fuzzy Inference System yang merupakan gabungan algoritma backpropagation steepest descent dan least square estimator (LSE) untuk pembelajaran. Berdasarkan hasil pengujian dengan menggunakan parameter-parameter tebaik, didapatkan nilai terbaik senilai Hasil akhir yang didapatkan adalah nilai prediksi BI Rate. Kata kunci: bi rate, prediksi, adaptive neuro fuzzy inference system Abstract BI Rate is the interest rate policy that reflects the monetary stance policy which set by Bank of Indonesia and announced to the public. BI Rate is used as the parameter of economic activity of a country. BI Rate will affect the turnover of bank financial flows, inflation, and currency movement. The ups and downs of BI Rate are highly important for investors and market participants to increase or decrease the amount of production and to increase or decrease existing investment. That s what makes the BI Rate prediction important. The predicted BI Rate is expected to help investors and market participants to determine long-term economic decisions. In this study used Adaptive Neuro Fuzzy Inference System method which is a combination of steepest descent and least square estimator (LSE) algorithm for training. Based on the test results, it produces the best value The final result obtained is the predicted value of bi rate. Keywords: bi rate, prediction, adaptive neuro fuzzy inference system 1. PENDAHULUAN Pertumbuhan ekonomi Indonesia pada tahun menunjukkan kenaikan tingkat GDP (Gross Domestic Product) yang relatif meningkat. Pada tahun 2005 GDP Indonesia menunjukkan angka USD Milyar dan angka tersebut terus mengalami peningkatan hingga mencapai USD Milyar pada tahun 2012 (World Bank Group, 2015). GDP merupakan Tingkat Laju Pertumbuhan Ekonomi Negara, dimana semakin tinggi tingkat GDP, maka semakin baik pula Tingkat pertumbuhan ekonomi Negara. Di Indonesia, dalam mengatur dan mengontrol kestabilan pertumbuhan ekonomi diserahkan kepada Bank Indonesia selaku Bank Sentral, sebagaimana tercantum dalam UU No. 3 tahun 2004 pasal 7 tentang Bank Indonesia. Dalam mencapai dan memelihara kestabilan perekonomian negara, Bank Indonesia menetapkan Suku Bunga Acuan, yang kemudian disebut BI Rate. BI Rate digunakan sebagai tolak ukur penting kegiatan perekonomian dari suatu Negara. BI Rate akan berimbas pada kegiatan perputaran arus keuangan perbankan, inflasi, investasi dan pergerakan mata uang suatu negara. Naik turunnya suku bunga acuan sangat Fakultas Ilmu Komputer Universitas Brawijaya 73
2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 74 diperhatikan oleh para investor dan para pelaku pasar untuk meningkatkan atau menurunkan tingkat produksi dan untuk menambah atau mengurangi investasi yang ada. BI Rate adalah suku bunga kebijakan yang mencerminkan sikap atau stance kebijakan moneter yang ditetapkan oleh bank Indonesia dan diumumkan kepada publik. BI Rate diumumkan oleh Dewan Gubernur Bank Indonesia setiap Rapat Dewan Gubernur bulanan dan diimplementasikan pada operasi moneter yang dilakukan Bank Indonesia melalui pengelolaan likuiditas (liquidity management) di pasar uang untuk mencapai sasaran operasional kebijakan moneter. Para investor dan juga para pelaku pasar sangat bergantung pada tingkat suku bunga yang akan ditetapkan oleh Bank Indonesia, karena pergerakan naik atau turunnya suku bunga yang dilakukan oleh bank sentral akan sangat mempengaruhi keputusan ekonomi yang akan diambil oleh para investor dan para pelaku pasar. Berdasarkan hal tersebut, perlu adanya sistem untuk memprediksi tingkat suku bunga acuan atau BI Rate agar dapat membantu dan mempermudah para investor dan juga para pelaku pasar untuk memperkirakan keputusan yang akan di ambil berdasarkan hasil peramalan suku bunga acuan. Untuk melakukan prediksi terhadap tingkat suku bunga (BI Rate), ada banyak metode yang dapat digunakan. Salah satu metode yang biasa digunakan untuk melakukan prediksi adalah metode Adaptive Neuro Fuzzy Inference System (ANFIS). Penelitian yang dilakukan oleh Melek Acar Boyacioglu dan Derya Avci pada tahun 2010 membahas tentang implementasi metode ANFIS dalam memprediksi stock market return. Berdasarkan hasil pengujian dari penelitian tersebut didapatkan tingkat akurasi yang tinggi, yaitu sebesar 98.3%. Pada tahun 2016, Amirmahmood Vahabi menggunakan model ANFIS dan membandingkan dengan model ANFIS-GA serta model ANN untuk memprediksi penjualan salah satu perusahaan industri automotive. Hasil penelitian menunjukkan koefisien determinasi (R2) pada model ANFIS dan ANFIS-GA lebih unggul dibandingkan dengan model ANN, yaitu sebesar 99.66%. Nilai koefisien determinasi pada model ANFIS dan ANFIS-GA menunjukkan angka yang sama, hal ini menandakan bahwa optimasi menggunakan Genetic Algorithm (GA) pada ANFIS tidak memberikan hasil yang signifikan dibandingkan hanya menggunakan model ANFIS saja. Dilihat dari aspek efektifitas sistem, model ANFIS lebih unggul dari model ANFIS-GA, karena tidak membutuhkan waktu yang lama pada saat runtime sistem. Pada tahun 2015, Ni Made Shrivijayanthi melakukan penelitian tentang prediksi tingkat produksi makanan beku dengan menggunakan metode ANFIS. Dari hasil penelitian tersebut didapatkan akurasi yang cukup besar, yaitu sebesar 86.83%. Penelitian lainnya dilakukan oleh Candra Dewi dan Werdha Wilubertha Himawati pada tahun 2015 tentang implementasi metode ANFIS untuk memprediksi tingkat pengangguran. Hasil penelitian menunjukkan akurasi yang sangat baik, yaitu sebesar 93.33%. Pada penelitian ini membahas tentang penerapan metode Adaptive Neuro Fuzzy Inference System untuk memprediksi suku bunga acuan (BI Rate). 2. SUKU BUNGA ACUAN (BI RATE) Dalam Inflation Targeting Framework dijelaskan bahwa BI Rate adalah suku bunga acuan Bank Indonesia. BI Rate merupakan suku bunga dengan tenor satu bulan yang diumumkan secara periodik untuk jangka waktu tertentu oleh Bank Indonesia yang berfungsi sebagai sinyal (stance) kebijakan moneter. BI Rate digunakan sebagai acuan dalam operasi moneter untuk mengarahkan agar rata-rata tertimbang suku bunga Sertifikat Bank Indonesia (SBI) 1 bulan hasil lelang Operasi Pasar Terbuka (OPT) berada disekitar BI Rate. SBI 1 bulan tersebut diharapkan dapat mempengaruhi suku bunga Pasar Uang Antar Bank (PUAB), suku bunga deposito dan kredit serta suku bunga jangka waktu yang lebih panjang (Siamat, 2005). 3. PREDIKSI Prediksi adalah suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu. Jadi dikatakan bahwa yang dimaksud dengan prediksi adalah suatu usaha yang diharapkan terjadi pada masa yang akan datang (Handoko, 2002). Dalam usaha mengetahui atau melihat perkembangan di depan, peramalan dibutuhkan untuk menentukan kapan suatu peristiwa akan terjadi atau suatu kebutuhan akan timbul, sehingga dapat dipersiapkan kebijakan atau tindakan-tindakan yang perlu dilakukan
3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 75 (Harahap, 2008). Hasil dari prediksi tidak harus berupa jawaban yang kemungkinan akan terjadi, melainkan berusaha untuk mendapatkan jawaban yang kemungkinan akan terjadi. 4. ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Adaptive Neuro Fuzzy Inference System (ANFIS) adalah jaringan yang berbasis pada system inference fuzzy. Parameter ANFIS dapat dipisahkan menjadi dua, yaitu parameter premis dan konsekuen yang dapat diadaptasikan dengan pelatihan hybrid. Pelatihan hybrid dilakukan dalam dua langkah, yaitu langkah maju dan langkah mundur (Widodo, 2005). ANFIS merupakan arsitektur yang secara fungsional sama dengan fuzzy rule base model Sugeno dan juga sama dengan jaringan syaraf tiruan fungsi radial dengan sedikit batasan tertentu (Kusumadewi, 2006). ANFIS adalah penggabungan mekanisme fuzzy inference system yang digambarkan dalam arsitektur jaringan syaraf. Sistem inferensi yang digunakan adalah sistem inferensi fuzzy model Takagi- Sugeno-Kang (TSK) orde satu dengan pertimbangan kesederhanaan dan kemudahan komputasi. Arsitektur ANFIS juga sama dengan jaringan syaraf dengan fungsi radial dengan batasan tertentu. Agar jaringan dengan fungsi basis radial ekuivalen dengan fuzzy berbasis aturan model Sugeno orde satu, maka diperlukan batasan: 1. Keduanya harus memiliki metode agregasi yang sama (rata-rata terbobot atau penjumlahan terbobot) untuk menurunkan semua outputnya. 2. Jumlah fungsi aktivasi harus sama dengan jumlah aturan fuzzy (IF-THEN). 3. Jika ada beberapa input pada basis aturannya, maka tiap-tiap fungsi aktivasi harus sama dengan fungsi keanggotaan tiaptiap inputnya. 4. Fungsi aktivasi dan aturan-aturan fuzzy harus memiliki fungsi yang sama untuk neuron-neuron dan aturan-aturan yang ada di sisi outputnya. Struktur ANFIS yang menggambarkan sistem inferensi fuzzy Takagi-Sugeno-Kang (TSK) terdapat pada Gambar 1 berikut. Gambar 1. Arsitektur ANFIS 5. SIKLUS PENYELESAIAN MASALAH MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Secara umum, proses prediksi BI Rate menggunakan Adaptive Neuro Fuzzy Inference System ditunjukkan pada Gambar 2. Gambar 2. Diagram Alir Proses Prediksi Berdasarkan Gambar 2, proses prediksi secara umum meliputi langkah-langkah berikut: a. Input adalah data ekonomi makro, learning rate, minimum error dan jumlah iterasi maksimal. b. Pengelompokkan data dengan menggunakan algoritma K-Means. c. Menghitung parameter premis (mean (c) dan standar deviasi (a)). d. Menghitung derajat keanggotaan
4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 76 menggunakan fungsi keanggotaan Generalized Bell seperti yang ditunjukkan pada persamaan 1. bell (x; a,b,c) = 1 (1) 1+ x c a 2b e. Menghitung fire strength dengan menggunakan persamaan 2 berikut. O 2,i = w i = μa i (x)μb i (y), i = 1,2 (2) f. Menghitung nilai normalized fire strength dengan menggunakan persamaan 3 berikut. O 3,i = w = w i w 1 +w 2, i = 1,2 (4) g. Menghitung parameter konsekuen dengan menggunakan algoritma LSE. h. Menghitung nilai output pada lapisan 4 dengan menggunakan persamaan 4 berikut. O 4,i = w f i i = w (c i 11 x 1 + c i2 x 2 + c i0 ) (4) i. Menghitung output jaringan dengan menjumlahkan semua sinyal yang dating seperti persamaan 5 berikut. O 5,i = w f i i = i w if i i (5) i w i j. Menghitung nilai error jaringan dan membandingkan dengan nilai error yang diharapkan. Jika nilai error jaringan lebih besar dari nilai error yang diharapkan, maka dilakukan perbaikan parameter premis dengan menggunakan algoritma steepest descent. 6. HASIL DAN PEMBAHASAN 6.1. Pengujian pengaruh learning rate terhadap Pengujian pengaruh learning rate ini bertujuan untuk mendapatkan nilai learning rate yang terbaik. Untuk melakukan pengujian ini akan digunakan data latih sejumlah 90 data dan data uji tetap sejumlah 25 data. Iterasi akan di set tetap sebanyak 500 dan nilai minimum error juga akan di set tetap senilai Pada proses pegujian nilai learning rate akan diubah mulai dari 0.1 sampai dengan 0.9. Learning rate yang menghasilkan terbaik akan digunakan pada skenario pengujian selanjutnya. No Tabel 1. Pengujian Learning Rate Learning Rate Iterasi Minimum Error No Learning Rate Iterasi Minimum Error Gambar 3 berikut menunjukkan grafik hasil pengujian pengaruh learning rate terhadap nilai. Gambar 3. Grafik Pengaruh Learning Rate Terhadap Gambar 3 menunjukkan hasil berdasarkan 9 kali percobaan dengan mengubah nilai learning rate untuk setiap percobaan. Learning Rate yang digunakan senilai 0.1 sampai dengan 0.9. Dari Gambar 6.1 dapat dilihat bahwa grafik menunjukkan bahwa pada learning rate 0.3, nilai mengalami penurunan. Namun pada nilai learning rate di atas 0.3, nilai mengalami kenaikan. Hal ini terjadi karena pada learning rate di atas 0.3, proses training telah mencapai keadaan yang optimal. Learning Rate senilai 0.3 akan digunakan untuk skenario pengujian selanjutnya Pengujian pengaruh minimum error terhadap Pengujian minimum error ini bertujuan untuk mengetahui pengaruh minimum error terhadap yang akan dihasilkan. Untuk melakukan pengujian ini terdapat beberapa parameter yang akan di set tetap. Untuk learning rate akan di set tetap dengan nilai 0.3 yang merupakan learning rate optimal yang didapatkan dari hasil pengujian sebelumnya. Data latih yang digunakan sebanyak 90 data dan data uju yang
5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 77 digunakan sebanyak 25 data. Jumlah iterasi juga akan di set tetap sebanyak 500 iterasi. Pada proses pengujian, nilai minimum error akan diubah disetiap percobaannya. Nilai minimum error yang akan diuji adalah 10-1 sampai dengan No Tabel 2. Pengujian Minimum Error Minimum Error Iterasi Learning Rate Gambar 4 berikut menunjukkan grafik hasil pengujian pengaruh minimum error terhadap. mengalami perubahan saat nilai minimum error 10-3 dan tidak mengalami perubahan sampai dengan percobaan dengan nilai minimum error Hal ini disebabkan karena nilai error optimal adalah 10-3 dan selama dilakukan perbaikan, nilai error tidak akan pernah mencapai angka Pengujian pengaruh jumlah iterasi terhadap Pengujian ini bertujuan untuk mengetahui pengaruh perubahan jumlah iterasi terhadap nilai yang akan dihasilkan. Dalam melakukan pengujian ini terdapat beberapa parameter yang akan di set tetap. Parameter yang di set tetap diantaranya, jumlah data, learning rate dan minimum error. Jumlah data latih yang digunakan adalah sebanyak 90 data latih dan data uji yang digunakan sebanyak 25 data. Learning Rate yang digunakan diambil dari hasil pengujian pertama, yaitu senilai 0.3. Nilai minimum error yang digunakan didapatkan dari hasil pengujian kedua, yaitu senilai Pada proses pengujian ini, jumlah iterasi akan diubahubah mulai dari 500 iterasi sampai dengan 1000 iterasi. No Iterasi Tabel 3. Pengujian Iterasi Minimum Error Learning Rate Gambar 5 berikut menunjukkan grafik hasil pengujian pengaruh iterasi terhadap nilai. Gambar 4. Grafik Pengaruh Minimun Error Terhadap Gambar 4 merupakan grafik yang menunjukkan hasil pengujian perubahan nilai minimum error terhadap nilai. Dari 10 kali percobaan dengan nilai minimum error yang berubah-ubah didapatkan hasil yang relatif tetap. Hal ini menandakan bahwa perubahan nilai minimum error cenderung tidak berpengaruh terhadap nilai. Namun apabila menggunakan ketelitian 19 angka dibelakang koma, nilai dengan minimum error 10-1 dan 10-2 adalah Nilai Gambar 5. Grafik Pengujian Pengaruh Iterasi Terhadap
6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 78 Gambar 5 merupakan grafik yang menggambarkan hasil pengujian perubahan jumlah iterasi terhadap nilai. Dari 6 kali percobaan dengan jumlah iterasi yang diubahubah untuk setiap percobaannya. Didapatkan hasil yang tetap. Dari pengujian ini dapat dilihat bahwa perubahan jumlah iterasi tidak mempengaruhi nilai yang didapatkan Pengujian pengaruh jumlah data terhadap Pengujian ini bertujuan untuk mengetahui pengaruh jumlah data terhadap nilai yang akan dihasilkan. Pada scenario pengujian ini, jumlah data latih dan data uji akan diubah-ubah untuk setiap percobaannya. Jumlah data latih yang akan digunakan adalah 40%, 50% dan 60% dari total seluruh data. Data Uji yang akan digunakan adalah 30%, 40% dan 50% dari total seluruh data. Pengujian akan dilakukan dengan mengombinasikan jumlah data latih dan data uji. Parameter tetap yang digunakan adalah learning rate senilai 0.3, minimum error senilai 10-3 dan jumlah iterasi sebanyak 500. Data Latih 40% (46 50% (58 60% (69 Tabel 4. Pengujian Jumlah Data Data Uji 30% (35 40% (46 50% ( Tabel 4 di atas merupakan hasil pengujian jumlah data dengan kombinasi antara 40%, 50% dan 60% data latih dengan 30%, 40% dan 50% data uji. Dari hasil pengujian di atas didapatkan nilai terkecil terdapat pada kombinasi data latih 40% dan data uji 30%, yaitu senilai Berdasarkan hasil pengujian di atas menunjukkan bahwa semakin banyak data latih tidak menunjukkan nilai yang semakin baik. Sehingga jumlah data tidak berpengaruh terhadap nilai yang dihasilkan Hasil Prediksi BI Rate Menggunakan Metode Adaptive Neuro Fuzzy Inference System Berdasarkan hasil pengujian yang telah dilakukan, telah didapatkan nilai learning rate, minimum error, serta kombinasi data latih dengan data uji yang paling baik. Parameterparameter tersebut akan digunakan untuk menghitung hasil prediksi suku bunga acuan (BI Rate) dengan menggunakan metode Adaptive Neuro Fuzzy Inference System. Nilai-nilai parameter terbaik tersebut antara lain : 1. Learning Rate = Minimum Error = Data Latih = 46 Data 4. Data Uji = 35 Data 5. Iterasi = 500 Dengan menggunakan nilai terbaik pada setiap parameter di atas, didapatkan hasil prediksi BI Rate. Tabel 5 berikut adalah tabel hasil prediksi BI Rate beserta perbandingan dengan output aktualnya. Tabel 5. Perbandingan Aktual dengan Prediksi No Aktual Prediksi Gambar 6 berikut merupakan grafik yang menggambarkan lebih jelas perbandingan antara output aktual dengan output hasil prediksi.
7 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 79 Gambar 6. Grafik Perbandingan Output Aktual dengan Output Jaringan Mengacu pada pengujian yang telah dilakukan, telah didapatkan parameterparameter dengan nilai terbaik, yaitu learning rate = 0.3, minimum error = 10-3, dan kombinasi 40% data latih dengan 30% data uji. Dengan menggunakan parameter-parameter tersebut didapatkanlah hasil peramalah seperti yang ditunjukkan pada tabel 5, dengan nilai PENUTUP Berdasarkan hasil pengujian yang mengacu pada impelementasi serta perancangan prediksi suku bunga acuan (BI Rate) dengan menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) didapatkan beberapa kesimpulan sebagai berikut: 1. Prediksi suku bunga acuan (BI Rate) dengan menggunakan metode Adaptive Neuro Fuzzy Inference System dilakukan dengan melakukan trainingdata terlebih dahulu, kemudian menggunakan parameter premis dan konsekuen yang didapatkan dari hasil training untuk memprediksi BI Rate pada proses testing. Proses training data dilakukan dengan cara mengelompokkan data dengan menggunakan algorima K- Means clustering, menghitung parameter premis, menghitung nilai derajat keanggotaan (lapisan 1) dengan menggunakan fungsi keanggotaan generalized bell, menghitung nilai fire strength (lapisan 2), menghitung nilai normalized fire strength (lapisan 3), menghitung parameter konsekuen (lapisan 4) dengan menggunakan algoritme LSE (Least Square Estimator), menghitung nilai output jaringan (lapisan 5), setelah itu melakukan perbaikan parameter premis dengan menggunakan algoritma Steepest Descent. Pada proses training data akan didapatkan parameter premis dan parameter konsekuen yang kemudian digunakan untuk melakukan testing dengan data uji. Proses testing dilakukan dengan cara menghitung output lapisan 1 hingga lapisan 5 dengan menggunakan data uji serta parameter premis dan parameter konsekuen yang didapatkan dari proses training data. 2. Berdasarkan hasil pengujian yang telah dilakukan, didapatkan: a. Parameter learning rate berpengaruh terhadap. Learning rate terbaik yang didapatkan berdasarkan hasil pengujian adalah 0.3. b. Parameter minimum error juga berpengaruh terhadap. Berdasarkan hasil pengujian, nilai minimum error 10-3 menghasilkan nilai yang terbaik. c. Parameter jumlah iterasi tidak berpengaruh terhadap nilai yang dihasilkan. Nilai yang dihasilkan dari setiap percobaan pada pengujian jumlah iterasi sama. d. Parameter jumlah data juga tidak berpengaruh terhadap nilai yang dihasilkan. Nilai terbaik yang dihasilkan berdasarkan pengujian jumlah data adalah data dengan kombinasi 40% data latih dan 30% data uji. e. Ukuran besarnya kesalahan dari implementasi Adaptive Neuro Fuzzy Inference System untuk memprediksi suku bunga acuan (BI Rate) dihitung menggunakan Root Mean Square Error (). Nilai yang dihasilkan adalah Nilai yang dihasilkan rendah, karena hampir mendekati 0. Nilai yang rendah menunjukkan bahwa variasi nilai yang dihasilkan oleh suatu model prakiraan mendekati variasi nilai observasinya. Hal ini menunjukkan bahwa implementasi metode Adaptive Neuro Fuzzy Inference System baik dalam melakukan prediksi suku bunga acuan (BI Rate).
8 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer DAFTAR PUSTAKA Bank Indonesia, Bank Sentral Republik Indonesia. [Online] Available at: [Accessed 5 March 2015]. Boyacioglu, M. A. & Avci, D., An Adaptive Network-Based Fuzzy Inference System (ANFIS) for the prediction of stock market return: The case of the Istanbul Stock Exchange. Expert Systems with Applications, Volume 37, pp Vahabi, A., A Sales Forcasting Model in Automotive Industry using Adaptive Neuro Fuzzy Inference System (ANFIS) and Genetic Algorithm (GA). International Journal of Advanced Computer Science and Applications, Volume VII, pp Shirivijayanthi, N. M., Prediksi Tingkat Produksi Makanan Beku Menggunakan Metode Adaptive Neuro Fuzzy Inference System. Malang: FILKOM Universitas Brawijaya. Dewi, C. & Himawati, W. W., Prediksi Tingkat Pengangguran Menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS). Bali, ResearceGate. Handoko, T. H., Manajemen. Edisi Kedua ed. Yogyakarta: BPFE. Harahap, S. S., Analisis Kritis atas Laporan Keuangan. Jakarta: PT. Raja Grafindo Persada. Kusumadewi, S., Fuzzy Multi-Attribute Decision Making (FUZZY MADM). Yogyakarta: Graha Ilmu. Siamat, D., Manajemen Lembaga Keuangan: Kebijakan Moneter & Perbankan. Jakarta: Fakultas Ekonomi Universitas Indonesia. Widodo, B., Panduan Lengkap Belajar Mikrokontroler Perancangan Sistem dan AplikasiMikrokontroler. Jakarta: PT Elex Media Komputindo. World Bank Group, The World Bank. [Online] Available at: GDP.MKTP.CD?end=2015&locations= ID&start=2005 [Accessed 24 February 2017].
PERAMALAN 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 terperinciJURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 31-40 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS DATA RUNTUN WAKTU DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
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 terperinciSISTEM PREDIKSI SAHAM MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (STUDI KASUS SAHAM MINGGUAN PT ASTRA AGRO LESTARI, TBK)
Vol., No., Agustus 16, 35-39 SISTEM PREDIKSI SAHAM MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (STUDI KASUS SAHAM MINGGUAN PT ASTRA AGRO LESTARI, TBK) Yuniar Farida, S.T, M.T 1) Program Studi Matematika
Lebih terperinciPREDIKSI PERMINTAAN KREDIT MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI SAMUEL ANTHONIUS MADUWU
PREDIKSI PERMINTAAN KREDIT MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI SAMUEL ANTHONIUS MADUWU 091402118 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
Lebih terperinciPerbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca
NATURALA Journal of Scientific Modeling & Computation, Volume 1 No.1 2013 7 ISSN 23030135 Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca Candra Dewi 1, M. Muslikh
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 terperinciImplementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk Peramalan Pemakaian Air di Perusahaan Daerah Air Minum Tirta Moedal Semarang
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Implementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk
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 terperinciPREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA ANFIS
PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA ANFIS TUGAS AKHIR Sebagai Persyaratan Guna Meraih Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang Disusun Oleh: Fittriyah 0 8
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 terperinciBAB III METODELOGI PENELITIAN. media cacing dengan metode adaptive neuro fuzzy inference system (ANFIS)
BAB III METODELOGI PENELITIAN 3.1 Studi Literatur Untuk memehami cara rancang bangun pengontrol suhu dan kelembaban media cacing dengan metode adaptive neuro fuzzy inference system (ANFIS) dibutuhkan studi
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 terperinciAkhmad Kahfi Jurusan Akuntansi Fakultas Ekonomi Universitas Gunadarma. &
ESTIMASI TINGKAT BI RATE BERDASARKAN FAKTOR NILAI TUKAR(KURS USD/RP), JUB, INFLASI, IHSG DAN PDB MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Akhmad Kahfi Jurusan Akuntansi Fakultas
Lebih terperinciPRAKIRAAN PENGGUNAAN BEBAN LISTRIK JANGKA PENDEK PADA GKB 2 UMM MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI
PRAKIRAAN PENGGUNAAN BEBAN LISTRIK JANGKA PENDEK PADA GKB 2 UMM MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Strata
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 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 terperinciPERBANDINGAN DAN ANALISIS SUPPORT VECTOR MACHINE DAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK KLASIFIKASI GENRE MUSIK
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 1662 PERBANDINGAN DAN ANALISIS SUPPORT VECTOR MACHINE DAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK KLASIFIKASI GENRE MUSIK
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 terperinciPERKIRAAN BEBAN LISTRIK JANGKA PENDEK DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
ISSN : 1978-6603 PERKIRAAN BEBAN LISTRIK JANGKA PENDEK DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Sarjon Defit Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang, Sumatera Barat Telp.
Lebih terperinciPelatihan Multi-Layer Neural Network Menggunakan Algoritma Genetika untuk Memprediksi Harga Saham Esok Hari (T+1)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 58-96X Vol., No. 6, Juni 08, hlm. 30-308 http://j-ptiik.ub.ac.id Pelatihan Multi-Layer Neural Network Menggunakan Algoritma Genetika untuk
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Data runtun waktu dari fenomena real seperti data finansial biasanya bersifat nonstasioner. Tipe data runtun waktu finansial biasanya dicirikan oleh pola-pola seperti
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 terperinciImplementasi Algoritme Average Time Based Fuzzy Time Series Untuk Peramalan Tingkat Inflasi Berdasarkan Kelompok Pengeluaran
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3533-3537 http://j-ptiik.ub.ac.id Implementasi Algoritme Average Time Based Fuzzy Time Series
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 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 terperinciESTIMASI TINGKAT BI RATE
ESTIMASI TINGKAT BI RATE BERDASARKAN FAKTOR NILAI TUKAR(KURS USD/RP), JUB, INFLASI, IHSG DAN PDB MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Disusun oleh: Nama : AKHMAD KAHFI NPM :
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Semakin bertambah tahun, semua peralatan konvensional semakin tergantikan dengan adanya peralatan elektronik. Di setiap sisi kehidupan pada saat ini menggunakan peralatan
Lebih terperinciI. PENDAHULUAN. Kebijakan moneter memiliki pengaruh yang cukup besar terhadap suatu perekonomian,
I. PENDAHULUAN A. Latar Belakang Kebijakan moneter memiliki pengaruh yang cukup besar terhadap suatu perekonomian, sehingga dalam tatanan perekonomian suatu negara diperlukan pengaturan moneter yang disebut
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 terperinciALGORITMA GENETIKA UNTUK OPTIMASI STRUKTUR ANFIS
ALGORITMA GENETIKA UNTUK OPTIMASI STRUKTUR ANFIS Ariesta Damayanti 1), Rudy Cahyadi 2) 1) Teknik Informatika STMIK AKAKOM Yogyakarta, 2) Politeknik Negeri Media Kreatif Jakarta 1) Jl. Janti 143 Yogyakarta,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Clustering Clustering atau analisis cluster adalah proses pengelompokan satu set benda- benda fisik atau abstrak ke dalam kelas objek yang sama (Han, 2006). Baskoro (2010) menyatakan
Lebih terperinciPERANCANGAN APLIKASI PREDIKSI JUMLAH PERSEDIAAN ALAT KESEHATAN DENGAN METODE ANFIS (STUDI KASUS : RSUD DELI SERDANG)
PERANCANGAN APLIKASI PREDIKSI JUMLAH PERSEDIAAN ALAT KESEHATAN DENGAN METODE ANFIS (STUDI KASUS : RSUD DELI SERDANG) Pandi Ahmad Mahasiswa Program Studi Teknik Informatika STMIK Budi Darma Medan JL.Sisingamangaraja
Lebih terperinciSISTEM CERDAS PENDUKUNG KEPUTUSAN PREDIKSI NILAI TUKAR VALUTA ASING MENGGUNAKAN JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA TUGAS AKHIR
SISTEM CERDAS PENDUKUNG KEPUTUSAN PREDIKSI NILAI TUKAR VALUTA ASING MENGGUNAKAN JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA TUGAS AKHIR Untuk Memenuhi Sebagian Persyaratan Mencapai Derajat Sarjana S-1
Lebih terperinciT 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia
T 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia Aidatul Fitriah 1, Agus Maman Abadi 2 1) Program Studi Matematika, FMIPA Universitas Negeri Yogyakarta 2) Jurusan Pendidikan Matematika,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Di era modern seperti saat ini, energi listrik menjadi salah satu kebutuhan dasar dalam kehidupan masyarakat. Berbagai peralatan rumah tangga maupun industri saat ini
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 terperinciPERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN JARINGAN SARAF TIRUAN ELMAN DENGAN ALGORITME GRADIENT DESCENT ADAPTIVE LEARNING RATE
PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN JARINGAN SARAF TIRUAN ELMAN DENGAN ALGORITME GRADIENT DESCENT ADAPTIVE LEARNING RATE oleh BETA VITAYANTI M0110012 SKRIPSI Ditulis dan diajukan untuk
Lebih terperinciSKRIPSI. Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Strata I Teknik Elektro Universitas Muhammadiyah Malang.
PRAKIRAAN PENGGUNAAN JUMLAH AKOMODASI KAPAL FERRY PADA PELABUHAN PT ASDP INDONESIA FERRY (PERSERO) CABANG KETAPANG-GILIMANUK DENGAN PENERAPAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI
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 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 terperinciMODEL PREDIKSI PRODUCTION DELAY DALAM PROSES PRODUKSI STRIP MILL DENGAN METODE ADAPTIVE NEURO- FUZZY INFERENCE SYSTEM
Journal Industrial Servicess Vol. 3 No. 2 Maret 2018 MODEL PREDIKSI PRODUCTION DELAY DALAM PROSES PRODUKSI STRIP MILL DENGAN METODE ADAPTIVE NEURO- FUZZY INFERENCE SYSTEM Yusraini Muharni Jurusan Teknik
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini membahas tentang hal-hal yang menjadi latar belakang pembuatan tugas akhir, rumusan masalah, tujuan, batasan masalah, manfaat, metodologi penelitian serta sistematika penulisan
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 terperinciAkhmad Kahfi 1 Armaini Akhirson 2. Abstract. Abstrak
ESTIMASI TINGKAT BI RATE BERDASARKAN FAKTOR NILAI TUKAR (KURS USD/RP), JUB, INFLASI, IHSG DAN PDB MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Akhmad Kahfi 1 Armaini Akhirson 2 1,2
Lebih terperinciPeningkatan Akurasi Dalam Prakiraan Beban Listrik Jangka Pendek Menggunakan Data Temperatur
Peningkatan Akurasi Dalam Prakiraan Beban Listrik Jangka Pendek Menggunakan Data Temperatur Imaad Al-Mutawakkil*, Dian Yayan Sukma** Jurusan Teknik Elektro Fakultas Teknik Universitas Riau Kampus Binawidya
Lebih terperinciMODEL PENENTUAN GURU BERPRESTASI BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)
MODEL PENENTUAN GURU BERPRESTASI BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Wanti Rahayu 1 1 Mahasiswa Universitas Indraprasta PGRI Email : 1 wanti.reiku@gmail.com Abstrak- Guru merupakan aspek
Lebih terperinciPERATURAN BANK INDONESIA NOMOR : 7/28/PBI/2005 TENTANG PERUBAHAN KEDUA ATAS PERATURAN BANK INDONESIA NOMOR 6/11/PBI/2004 TENTANG SUKU BUNGA PENJAMINAN
PERATURAN BANK INDONESIA NOMOR : 7/28/PBI/2005 TENTANG PERUBAHAN KEDUA ATAS PERATURAN BANK INDONESIA NOMOR 6/11/PBI/2004 TENTANG SUKU BUNGA PENJAMINAN SIMPANAN PIHAK KETIGA DAN PASAR UANG ANTAR BANK GUBERNUR
Lebih terperinciPenerapan Metode Fuzzy Sugeno Dalam Pendaftaran Siswa Baru di SDN Sonopatik 1 Nganjuk
Nusantara of Enginering/Vol.3/No.1/ISSN: 2355-6684 41 Penerapan Metode Fuzzy Sugeno Dalam Pendaftaran Siswa Baru di SDN Sonopatik 1 Nganjuk Fajar Rohman Hariri Jurusan Teknik Informatika, Fakultas Teknik,
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 terperinciPENGGUNAAN MOVING AVERAGE DENGAN METODE HYBRID ARTIFICIAL NEURAL NETWORK DAN FUZZY INFERENCE SYSTEM UNTUK PREDIKSI CUACA
E-ISS : 2540-8984 PEGGUAA MOVIG AVERAGE DEGA METODE HYBRID ARTIFICIAL EURAL ETWORK DA FUZZY IFERECE SYSTEM UTUK PREDIKSI CUACA Fahrur Rozi 1), Farid Sukmana 2) 1) Jurusan Pendidikan Teknologi Informasi,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk prediksi Beban Daya
Lebih terperinciPREDIKSI HARGA SAHAM SYARIAH MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI UMI HANI
PREDIKSI HARGA SAHAM SYARIAH MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI UMI HANI 081402032 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
Lebih terperinciPENDEKATAN DATA TIME SERIES MENGGUNAKAN K-NEAREST NEIGHBOR BERBASIS PREPROCESING PADA PREDIKSI HARGA SAHAM
PENDEKATAN DATA TIME SERIES MENGGUNAKAN K-NEAREST NEIGHBOR BERBASIS PREPROCESING PADA PREDIKSI HARGA SAHAM Abdul Aziz Program Studi Teknik Informatika Universitas Yudharta ABSTRACT Forex Market is a type
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 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 terperincioleh WAHYUNI PUTRANTO NIM. M SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
PERBANDINGAN METODE GRADIENT DESCENT DAN GRADIENT DESCENT DENGAN MOMENTUM PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN KURS TENGAH RUPIAH TERHADAP DOLAR AMERIKA oleh WAHYUNI PUTRANTO NIM.
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 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 terperinciPERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP)
PERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP) Apriliyah, Wayan Firdaus Mahmudy, Agus Wahyu Widodo Program Studi Ilmu Komputer Fakultas MIPA Universitas
Lebih terperinciPREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI PDAM KOTA MALANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 2, Juni 2016, hlm. 83-87 PREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI PDAM KOTA MALANG Daneswara
Lebih terperinciI. PENDAHULUAN. makro, yaitu pertumbuhan ekonomi yang tinggi, stabilitas harga, pemerataan
1 I. PENDAHULUAN A. Latar Belakang Kebijakan moneter merupakan salah satu bagian integral dari kebijakan ekonomi makro. Kebijakan moneter ditujukan untuk mendukung tercapainya sasaran ekonomi makro, yaitu
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 terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN Pada bagian ini berisi analisa peramalan konsumsi BBM Provinsi Riau, yang mana data konsumsi BBM, jumlah kendaran bermotor dan jumlah penduduk merupakan faktor yang mempengaruhi
Lebih terperinciBAB I PENDAHULUAN. yang terdiri dari Giro Wajib Minimum (Reserve Requirement), Fasilitas Diskonto,
BAB I PENDAHULUAN A. Latar Belakang Masalah Sebagaimana tercantum dalam UU No. 23 Tahun 1999 tentang Bank Indonesia, salah satu tugas Bank Indonesia (BI) sebagai otoritas moneter adalah membantu pemerintah
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Melihat kondisi sebagian besar masyarakat Indonesia saat ini yang mengalami banyak tekanan baik dari segi ekonomi, politik, pekerjaan dan sebagainya, menyebabkan terjadinya
Lebih terperinciMETODE SIKLIS DAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK PERAMALAN CUACA
METODE SIKLIS DA ADAPTIVE EURO FUZZY IFERECE SYSTEM UTUK PERAMALA CUACA Fahrur Rozi 1), Farid Sukmana 2) 1) Jurusan Pendidikan Teknologi Informasi, STKIP PGRI Tulungagung Jl Mayor Sujadi Timur no.7. Tulungagung
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciIMPLEMENTASI ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK PREDIKSI CUACA TUGAS AKHIR
IMPLEMENTASI ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK PREDIKSI CUACA (Studi Kasus Stasiun Klimatologi Karangploso Kab. Malang) TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik
Lebih terperinciSKRIPSI Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu Jurusan Informatika. Disusun Oleh: WINA ISTI RETNANI NIM.
PERBANDINGAN ALGORITMA BACKPROPAGATION LEVENBERG MARQUARDT (LM) DENGAN BACKPROPAGATION GRADIENT DESCENT ADAPTIVE GAIN (BPGD/AG) DALAM PREDIKSI JUMLAH PENGANGGURAN DI PROVINSI JAWA TENGAH SKRIPSI Diajukan
Lebih terperinciBAB I PENDAHULUAN. yang melambat ditandai dengan meningkatnya angka inflasi dan kenaikan
BAB I PENDAHULUAN A. Latar Belakang Perkembangan perekonomian di dasari oleh dua indikator ekonomi makro yaitu tingkat bunga (BI Rate) dan inflasi. Pertumbuhan ekonomi yang melambat ditandai dengan meningkatnya
Lebih terperinciPrediksi Harga Emas Batang Menggunakan Feed Forward Neural Network Dengan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2317-2322 http://j-ptiik.ub.ac.id Prediksi Harga Emas Batang Menggunakan Feed Forward Neural
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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Emas dahulu merupakan alat pembayaran transaksi ekonomi yang digunakan di suatu negara dengan negara lainnya. Sebagai alat tukar, emas dahulu memegang pengaruh yang
Lebih terperinciPREDIKSI PENGGUNA BUS TRANS SARBAGITA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 46-52 ISSN: 2303-1751 PREDIKSI PENGGUNA BUS TRANS SARBAGITA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM SLAMET SAMSUL HIDAYAT 1, I PUTU EKA NILA
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 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 terperinciAnalisis Fungsi Implikasi Max-Min dan Max-Prod Dalam Pengambilan Keputusan
128 ISSN: 2354-5771 Analisis Fungsi Implikasi Max-Min dan Max-Prod Dalam Pengambilan Keputusan Raheliya Br Ginting STT Poliprofesi Meda E-mail: itink_ribu@yahoo.com Abstrak Pengambilan keputusan harus
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 terperinciBAB I PENDAHULUAN. kali lelang SBI tidak lagi diinterpretasikan oleh stakeholders sebagai sinyal
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Respon (stance) kebijakan moneter ditetapkan untuk menjamin agar pergerakan inflasi dan ekonomi ke depan tetap berada pada jalur pencapaian sasaran inflasi
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 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 terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kebutuhan akan prediksi semakin meningkat pada era globalisasi saat ini sejalan dengan keinginan masyarakat khususnya pelaku bisnis untuk memberikan tanggapan
Lebih terperinciPerbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas
TEKNOLOGI DI INDUSTRI (SENIATI) 016 ISSN : 085-418 Perbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas Nur Nafi iyah Program Studi Teknik Informatika Universitas Islam
Lebih terperinciPenggunaan Model ELFIS dan Sistem Neuro Fuzzy Untuk Memprediksi Pasar Saham
Penggunaan Model ELFIS dan Sistem Neuro Fuzzy Untuk Memprediksi Pasar Saham Alexander Sukono - 13513023 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung,
Lebih terperinciPenerapan Metode Fuzzy Tsukamoto Untuk Prediksi Nilai Tukar Rupiah
ISSN: 2089-3787 609 Penerapan Metode Fuzzy Tsukamoto Untuk Prediksi Nilai Tukar Rupiah Adani Dharmawati, Hugo Aprilianto STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru adani.dharmawati@yahoo.com, hugo.aprilianto@gmail.com
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 terperinciSTUDI PERANCANGAN PENGONTROL NEURO-FUZZY PADA PEMBANGKIT LISTRIK TENAGA SURYA
STUDI PERANCANGAN PENGONTROL NEURO-FUZZY PADA PEMBANGKIT LISTRIK TENAGA SURYA T 621.312 44 WIT ABSTRAK Pengontrol neuro-fuzzy (NFC) yang menirukan invers dari sistem dinamik merupakan salah satu alternatif
Lebih terperinciANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM)
ANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM) Hanura Ian Pratowo¹, Retno Novi Dayawati², Agung Toto Wibowo³ ¹Teknik Informatika,,
Lebih terperinciPREDIKSI PEMENANG PADA PERMAINAN DOTA MENGGUNAKAN ALGORITMA ANFIS TUGAS AKHIR
PREDIKSI PEMENANG PADA PERMAINAN DOTA MENGGUNAKAN ALGORITMA ANFIS TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang Oleh: NIZAR HIDAYAT
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 terperinciPREDIKSI TINGKAT INFLASI DI INDONESIA BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA. Rita Rismala 1, Said Al Faraby 2
PREDIKSI TINGKAT INFLASI DI INDONESIA BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA Rita Rismala 1, Said Al Faraby 2 1,2 Prodi S1 Informatika, Fakultas Informatika, Universitas Telkom 1 ritaris@telkomuniversity.ac.id,
Lebih terperinciDAFTAR ISI.. LEMBAR PENGESAHAN SURAT PERNYATAAN ABSTRAK.. ABSTRACT... DAFTAR TABEL.. DAFTAR PERSAMAAN..
ABSTRAK Perkembangan teknologi yang semakin pesat, membuat semakin sedikitnya suatu industri yang memakai operator dalam menjalankan suatu proses produksi. Pada saat ini, kontrol otomatis lebih banyak
Lebih terperinciBAB I PENDAHULUAN. cenderung mengakibatkan gejolak ekonomi moneter karena inflasi akan
BAB I PENDAHULUAN 1.1 Latar Belakang Salah satu indikator ekonomi makro guna melihat stabilitas perekonomian adalah inflasi. Inflasi merupakan fenomena moneter dimana naik turunnya inflasi cenderung mengakibatkan
Lebih terperinciIDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Seminar Tugas Akhir O L E H : M I F T A H U D D I N P E M B I M B I N G : I R. Y E R R
Lebih terperinciDESAIN SISTEM KONTROL ADAPTIVE EURAL FUZZY INFERENCE SYSTEM (ANFIS) UNTUK PENGATURAN IGNITION TIMING PADA MODEL SPARK IGNITION ENGINE
DESAIN SISTEM KONTROL ADAPTIVE EURAL FUZZY INFERENCE SYSTEM (ANFIS) UNTUK PENGATURAN IGNITION TIMING PADA MODEL SPARK IGNITION ENGINE Praptiandari Raras Puspitasari 1), Aris Triwiyatno, and Budi Setiyono
Lebih terperinciAplikasi Peramalan Kebutuhan Beban Listrik Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS)
Aplikasi Peramalan Kebutuhan Beban Listrik Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS) Erwan Ahmad Ardiansyah 1, Rina Mardiati 2, Afaf Fadhil 3 1,2 Jurusan Teknik Elektro, Fakultas
Lebih terperinciMasalah uang adalah masalah yang tidak sederhana. Uang berkaitan erat dengan hampir
I. PENDAHULUAN A. Latar Belakang dan Masalah Masalah uang adalah masalah yang tidak sederhana. Uang berkaitan erat dengan hampir seluruh aspek dalam perekonomian; itulah sebabnya proses kebijakan moneter
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 terperinciPENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO
PENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO Magdalena Simanjuntak Program Studi Teknik Informatika, STMIK Kaputama E-mail : magdalena.simanjuntak84@gmail.com ABSTRACT This study aimed to analyze
Lebih terperinci