PEMBUATAN PERANGKAT LUNAK PERAMALAN MENGGUNAKAN METODE ANN DENGAN MEMANFAATKAN LIBRARY ENCOG JAVA
|
|
- Handoko Lesmono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PEMBUATAN PERANGKAT LUNAK PERAMALAN MENGGUNAKAN METODE ANN DENGAN MEMANFAATKAN LIBRARY ENCOG JAVA Resa Alfarisi, Wiwik Anggraini S.Si, M.Kom 2, Rully Agus Hendrawan S.Kom, M.Eng 3 Jurusan Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Surabaya, 60111, Indonesia Telp : (031) , Fax : (031) kutiel_4@is.its.ac.id 1, wiwik@is-sby.edu 2, eraha_id@yahoo.com 3 Abstrak Kondisi perusahaan dapat diketahui melalui data keuangan, penjualan dan produksi (bagi perusahaan manufaktur), selanjutnya kondisi tersebut menjadi bahan pendukung keputusan. Salah satu cara yang digunakan untuk mengetahui kondisi tersebut adalah peramalan. Tugas akhir ini menggunakan metode artificial neural network (ANN) sebagai satu-satunya metode dari perangkat lunak peramalan yang akan dibangun. Penggunaan ANN sebagai metode peramalan sangat efektif karena ANN merupakan model umum yang dapat menggabungkan karakteristik data yang kompleks dan menghasikan model runtut waktu yang lebih akurat dengan waktu yang relative lebih cepat dibandingkan dengan model runtut waktu biasa seperti ARIMA (Doganis, Alexandridis, Patrinos, & Sarimveis, 2006). Tugas akhir ini dibangun menggunakan Java dengan library utama Encog. Encog merupakan library java yang dikembangkan oleh Jeff Heaton yang salah satu fiturnya adalah ANN lengkap dengan proses training dan testing-nya. Kata kunci : Peramalan, artificial neural network (ANN), Encog, training, testing. Abstraction The company's condition can be found out by its financial, sales and production data (for manufacturer companies) which were then analyzed in order to be the material of decision support. One method of analysis used was forecasting. This final project implements the (ANN) Artificial Neural Network as the only method for the forecasting application to be developed. The application of ANN as the forecasting method is very effective because the ANN is a common model that combines the characteristics of complex data and generate coherent model of a more accurate time with a relatively faster time than the usual time coherent model like ARIMA (Doganis, Alexandridis, Patrinos, & Sarimveis, 2006). This final project is developed by using Java with the main library Encog. Encog is a java library developed by Jeff Heaton which one of the features were the ANN equipped by the training process and testing. Keyword: forecasting, (ANN) Artificial Neural Network, Encog, training, testing. 1. Pendahuluan Peramalan merupakan langkah untuk memprediksikan sesuatu di masa yang akan datang. Pada kenyataanya hasil dari sebuah peramalan tidak selalu tepat sama atau dapat dikatakan peramalan tersebut mempunyai error atau kesalahan. Hal yang harus dilakukan agar ramalan tersebut dapat tetap berguna bagi perusahaan, adalah meminimalkan error atau penyimpangan yang terjadi. Dengan kata lain, semakin kecil error yang dihasilkan, maka semakin akurat hasil permalan yang diperoleh. Pada tugas akhir kali ini, akan dijelaskan bagaimana membuat perangkat lunak peramalan penjualan berbasis desktop dengan menggunakan metode ANN. Pada tugas akhir kali ini, metode artificial neural network (ANN) digunakan sebagai satusatunya metode dari perangkat lunak peramalan yang akan dibangun. Penggunaan ANN sebagai metode peramalan sangat efektif dan merupakan model umum yang dapat menggabungkan karakteristik data yang kompleks dan menghasikan model runtut waktu yang lebih akurat dengan waktu yang relative lebih cepat dibandingkan dengan model runtut waktu biasa seperti ARIMA (Doganis, Alexandridis, Patrinos, & Sarimveis, 2006). Untuk dapat menghasilkan prediksi saat ini, perangkat lunak akan melakukan proses training terhadap data runtut waktu dan faktor-faktor yang berpengaruh pada waktu-waktu sebelum ini, yang selanjutnya didapatkan hasil pembelajaran atau training berupa bobot dan bias yang kemudian digunakan untuk proses testing dan menghasilkan nilai peramalan saat ini. Bahasa pemrograman yang digunakan adalah Java dengan library utama adalah Encog. Encog merupakan library java yang dikembangkan oleh Jeff Heaton yang salah satu fiturnya mengenai ANN lengkap dengan proses training dan testingnya. Pada dasarnya ada banyak library Java tentang ANN, namun menurut forum resmi netbeans, Encog mempunyai kelebihan daripada library lain seperti Joone ataupu Neuroph.
2 2. Peramalan Menggunakan ANN Artificial Neural Network atau Jaringan Saraf Tiruan merupakan sistem pemrosesan informasi yang mempunyai karakteristik kerja sama dengan sistem saraf yang ada di tubuh manusia. Ada banyak sekali macam model neural network, salah satu yang paling popular adalah model multilayer feed-forward neural network dengan algoritma Backpropagation. Arsitektur multilayer feedforward neural network terdiri dari 3 layer yaitu Input, Hidden, dan Output. Didalam setiap layer ada satu atau lebih neuron atau node yang saling terhubung dengan neuron atau node di layer lain yang terdekat. Istilah lain yang sering muncul pada lgoritma ini adalah bobot (w) dan bias(ө) (Han & Kamber, 2006) dapat dilihat pada gambar 1. Berikut beberapa hal yang harus dipahami sebelum menjalankan proses backpropagation: i. Penentuan Jumlah Hidden Layer Pada dasarnya jumlah hidden node tidak dapat ditentukan secara pasti, namun jumlah hidden node yang digunakan adalah setengah jumlah input node ditambah satu. ii. Penentuan Bobot dan Bias Awal Nilai bobot awal harganya acak dan kecil (small and random) atau random dari -5 sampai dengan 0.5 (Han & Kamber, 2006). Jika semua bobot awal diberi harga yang sama, jaringan tidak akan terlatih dgan benar. iii. Learning Rate (η) Faktor lain yang mempengaruhi efektivitas dan konvergensi proses pelatihan algoritma backpropagation adalah laju belajar atau Learning Rate (η ).Tidak ada aturan yang pasti mengenai laju belajar. Nilai α yang terlalu besar menyebabkan meningkatnya kecepatan dalam menemukan nilai performansi error yang diinginkan, namun memungkinkan terjadi overshoot. Sebaliknya nilai η yang terlau kecil menyebabkan pelatihan yang lambat. iv. Momentum (α) Parameter ini berfungsi sebagai pemercepat dalam mencari nilai bobot dan memastikan proses penyesuaian bobot harus tetap ke arah yang sama untuk menemukan error minimal global. Pada dasarnya nilai momentum berkisar antara 0.5 sampai dengan 0.9 (Purnomo & Kurniawan, 2006). Keanaikan dari nilai momentum dilakukan jika jaringan terlalu lama dalam mengahasilkan error yang diinginkan. Selain itu momentum berguna untuk mencegah pembelajaran agar tidak terjebak ke dalam lokal minimum error. Gambar 1. Jaringan Artificial Neural Network 3. Data Masukkan Data yang digunakan dalam tulisan ini adalah data yang diambil dari penelitian sebelumnya yaitu diantaranya : i. data permintaan kamar hotel beserta faktorfaktor yang mempengaruhinya (Anggono, Anggraeni, & Mukhlason, 2011). Data permintaan kamar hotel ini adalah data yang stationer yang dapat dilihat pada gambar 2. Gambar 2. Grafik Permintaan Kamar Hotel a. data permintaan mobil di Austria beserta faktor-faktor yang mempengaruhinya (Linawati, Anggraeni, & Vinarti, 2011). Data permintaan mobile di Austria juga bersifat stationer yang dapat dilihat pada gambar 3 Gambar 3. Grafik Permintaan Mobil di Austria b. dan data jumlah pengunjung yang masuk ke Hongkong dari Jepang (Law & Au, 1999). Sedangkan data pengunjung yang datang ke Hong Kong dari Jepang adalah
3 data tidak stationer yang dapat dilihat pada Gambar 4 Gambar 7. Format Sheet Gambar 4. Grafik Jumlah Pengunjung Ke Hong Kong dari Jepang Data-data tersebut selanjutnya diproses dengan menggunakan metode pada perangkat lunak peramalan ini, dan selanjutnya hasil ramalan perangkat lunak akan dibandingkan dengan hasil ramalan metode pada penelitian sebelumnya. 4. Rancangan dan Implementasi Perangkat Lunak Tahapan yang akan dilakukan pengguna perangkat lunak secara umum dapat dilihat pada Gambar 5. Gambar 5. Tahapan Proses Umum Perangkat Lunak 4.1. Proses Load File Excel Pada tahap ini, pengguna diharapkan sudah memiliki file masukan berupa file Excel dengan syarat sebagai berikut: Data berupa file Excel berekstensi.xls. Nilai berkala berupa angka. Setiap sheet diberi nama seperti gambar 6. Header hanya terdapat pada baris pertama seperti gambar \7. Gambar 6. Format Header dan Nilai Berkala 4.2. Proses Normalisasi Pada dasarnya data masukan untuk melakukan peramalan bentuk dan skalanya berbeda-beda padahal menurut jeff heaton (Heaton Research, Inc., 2010), setiap nilai input node pada input layer harus bernilai antara 0 sampai dengan 1. Oleh karena itu, perlu adanya proses prepocessing data berupa normalisasi data. Umumnya normalisasi data yang sering digunakan adalah normalisasi min-max yang dapat diliha pada pers (1), jika batas nilai_normalisasi adalah [Ba,Bb]. (1) dengan, Nilai_min = nilai terkecil dari keseluruhan data. Nilai_max = nilai terbesar dari keseluruhan data Proses Training Proses ini dilakukan jika semua parameter dan atribut terisi dengan benar. Proses training bertujuan untuk mencari jaringan yang optimal yang selanjutnya digunakan untuk melakukan peramalan. Yang dimaksud dengan jaringan dalam hal ini adalah bobot pembelajaran beserta biasnya. Jika dijelaskan, maka hal yang ada pada tahap training adalah sebagai berikut: Inisialisasi layer dan neuron disesuaikan dengan keinginan pengguna pada tahap sebelumnya. Fungsi aktivasi yang digunakan adalah fungsi aktivasi sigmoid. jika digambarkan, persamaan fungsi dari fungsi aktivasi unipolar sigmoid dapat dilihat pada gambar 8. (2) Gambar 8. Fungsi Aktivasi Sigmoid Model pembelajaran menggunakan backprogagation. Inisialisasi bobot pembelajaran antara 0 sampai dengan 1.
4 Perhitungan output dilakukan dengan memasukan nilai input ke dalam jaringan yang telah dibuat sebelumnya. Perbandingan nilai output dan nilai pada kelas target sebenarnya adalah berupa error atau kesalahan. Jika error masih kurang dari error yang diinginkan, maka error akan diperkecil dengan mengganti bobot dan bias. Jika error yang dinginkan tidak dapat tercapai pada saat epoch yang telah ditentukan, maka proses training akan berhenti. Gambar 9 merupakan digram alir yang merangkum tahapan training diatas dengan menggunakan model backpropagation dengan fungsi aktivasi sigmoid. adalah MAPE yang nilainy diperoleh dengan menggunakan persamaan 7. dimana, (3) (4) (5) (6) (7) Gambar 9. Proses Training 4.4. Proses Testing Tahap ini, pada dasarnya adalah tahap terakhir dalam perangkat lunak peramalan. Hasil dari tahap beberapa macam pengertian, yaitu : Nilai prediksi, yaitu nilai yang mamang diinginkan pengguna sebagai nilai ramalan pada periode tertentu. Sehingga fokus dari nilai adalah nilai peramalan yang dihasilkan. Nilai pesimis, yaitu nilai interval terbesar yang diharapkan pada periode berikutnya. Nilai ini diperoleh dengan menggunakan persamaan 4. Nilai optimis, yaitu nilai interval terendah yang dapat diterima pada periode berikutnya. Nilai ini diperoleh dengan menggunakan persamaan 3. Nilai most likely, yaitu nilai rata-rata dari history nilai sebelumnya. Nilai testing pada umumnya, yaitu perbandingan antara nilai yang dihasilkan dengan nilai sebenarnya. Sehingga fokus nilai terdapat pada nilai perbandingan tersebut, dalam hal ini 5. Uji coba 5.1. Uji Coba pada Data Permintaan Kamar Hotel Atribut yang digunakan terdiri dari dua jenis atribut dengan pembagiannya sebagai berikut: atribut input layer diantaranya jumlah pengunjung dan kurs mata. atribut output layer adalah permintaan kamar hotel. Dari atribut input layer tersebut diperoleh jumlah hidden node adalah 2. Dengan melakukan perubahan terhadap epoch dan learning rate dan melakukan training dan testing sebanyak 10 kali, didapat MAPE rata-rata yang terkecil, yang selanjutnya akan diperoleh epoch dan learning rate yang optimal yaitu sebesar : epoch yang optimal sebesar learning rate 0.3. MAPE sebesar %. Selanjutnya epoch dan learning rate yang sudah diuji coba dan optimal, akan digunakan untuk meramalkan permintaan kamar hotel. Proses training menghasilkan akurasi training sebesar %, sedangkan proses testing menghasilkan error dalam bentuk MAPE sebesar 8.68%, sedangkan hasil peramalan dapat dilihat pada tabel Uji Coba pada Data Permintaan Mobil di Austria Variabel yang menjadi atribut pad input dan output layer pada peramalan permintaan mobil diantaranya : atribut input layer meliputi net price, price, on promotion.
5 atribut output layer adalah atribut yang diramalkan yaitu permintaan atau demand. Karena jumlah hidden node adalah setengah dari jumlah input node atau atribut input layar ditambah dengan 1, maka jumlah hidden node pada peramalan permintaan adalah 2. Dengan melakukan perubahan terhadap epoch dan learning rate dan melakukan training dan testing sebanyak 10 kali, didapat MAPE rata-rata yang terkecil, yang selanjutnya akan diperoleh epoch dan learning rate yang optimal yaitu sebesar : epoch optimal sebesar learning rate optimal sebesar 0.1. dan MAPE sebesar %. Selanjutnya epoch dan learning rate yang sudah diuji coba dan optimal, akan digunakan untuk meramalkan permintaan mobil di Austria. Proses training menghasilkan akurasi training sebesar 95.63%, sedangkan proses testing menghasilkan error dalam bentuk MAPE sebesar 2.29%. Sedangkan hasil peramalan permintaan mobil di Austria dapat dilihat pada tabel Uji Coba pada Data Pengunjung Ke Hong Kong dari Jepang Variabel yang menjadi atribut pada input dan output layer pada peramalan permintaan mobil. Atribut input layer meliputi : Service price in Hong Kong relative to Japan. Harga rata-rata hotel di Hong Kong. Nilai tukar mata uang Jepang ( ) terhadap US$. Total jumlah populasi orang di Jepang. Biaya promosi Hong Kong. Gross Domestic Expenditure per Capita in Japan. Selanjutnya dilakukan uji coba untuk mengetahui epoch dan learning rate yang optimal agar dapat menghasilkan error berupa MAPE rata-rata terkecil dengan melakukan training dan testing sebanyak 10 kali. Perlu diketahui, jumlah hidden node yang digunakan disesuaikan dengan referensi acuan sebesar 10 node. Hasil uji coba adalah sebagai berikut : epoch sebesar learning rate sebesar 0.8. MAPE sebesar %. Selanjutnya epoch dan learning rate yang sudah diuji coba dan optimal, akan digunakan untuk meramalkan pengunjung dari Jepang ke Hong Kong. Proses yang dilakukan setelah memasukkan parameter (epoch dan learning optimal beserta atribut lain) adalah melakukan training dan testing. Proses training menghasilkan akurasi training sebesar %, sedangkan proses testing menghasilkan error dalam bentuk MAPE sebesar 9.37%. Sedangkan hasil peramalan dapat dilihat pada tabel Perbandingan ANN dengan Metode Lain 6.1. ANN dengan VAR pada Peramalan Permintaan Kamar Hotel Tabel 6.7 menunjukkan perbandingan keluaran peramalan antara metode ANN dengan metode VAR, dimana metode ANN lebih baik dalam hal kesalahan peramalan (MAPE) karena lebih sedikit persentase kesalahan yang diperoleh dari pada metode VAR. Tabel 1. Perbandingan MAPE antara ANN dengan VAR Metode MAPE Artificial Neural 8.68% Network (ANN) Vector 11.54% Autoregressive (VAR) 6.2. ANN dengan Regresi Berganda pada Permintaan Mobil di Austria Tabel 6.8 menunjukkan perbandingan keluaran peramalan antara metode ANN dengan metode Regresi Berganda, dimana metode ANN sama baik dalam hal kesalahan peramalan (MAPE) walaupun nilainya lebih sedikit persentase kesalahan yang diperoleh dari pada metode Regresi Berganda. Tabel 2. Perbandingan MAPE antara ANN dengan Regresi Berganda Metode MAPE Artificial Neural 2.30% Network (ANN) Regresi Berganda 2.83% 6.3. Hasil Keluaran Perangkat Lunak Dibanding Penelitian Sebelumnya pada Peramalan Pengunjung ke Hong Kong dari Jepang Pada perbandingan kali ini tidak seperti perbandingan sebelumnya, karena tujuannya hanya membandingkan dan menarik kesimpulan bahwa hasil yang diperoleh perangkat lunak sudah sesuai dengan referensi (Law & Au, 1999). Sehingga jika merujuk pada tabel, menunjukkan bahwa keluaran perangkat lunak sudah sesuai dengan hasil penelitian Law & Au, 1999.
6 Tabel 3. MAPE Perbandingan Hasil Perangkat lunak dengan Referensi Metode MAPE (%) Tugas akhir 9.19 Resa Penelitian Law & Au Kesimpulan dan saran 7.1. Kesimpulan Dari hasil pengamatan selama perancangan, implementasi, dan uji coba perangkat lunak, dapat diambil beberapa kesimpulan sebagai berikut: Perbedaan hasil ramalan dengan menggunakan artificial neural network (ANN) setiap percobaa (training dan testing) tidak selalu sama, walaupun parameter yang digunakan sama. Hal ini terjadi karena bobot dan biasnya bernilai tidak sama dan selalu diacak setiap percobaan. Setelah membandingkan dengan metode Vector Autoregressive (VAR) pada peramalan permintaan kamar hotel, ANN memberikan hasil lebih baik dengan selisih MAPE sebesar 2.86%. Hasil tersebut diperoleh dengan nilai learning rate sebesar 0.3, epoch 3000, dan momentum sebesar 0.5. Pada peramalan permintaan mobil di negara Austria, metode ANN juga memberikan hasil yang lebih baik dari pada metode regresi berganda, walupun selisih yang diperoleh tidak teralalu signifikan yaitu dengan selisih sebesar 0.53%. Hasil tersebut diperoleh dengan nilai learning rate 0.1, epoch 5000, dan momentum sebesar 0.5. Tabel 4. Hasil Ramalan Permintaan Kamar Hotel Sedangkan pada peramalan jumlah pengunjung ke Hong Kong yang berasal dari Jepang, perangkat lunak peramalan tugas akhir ini memberikan hasil ramalan yang mendekati hasil dari penelitian yang dilakukan oleh Law dan Au tahun1999 yaitu sebesar 9.19% dengan metode yang sama yaitu ANN. Jika melihat tabel 1, 2, dan 3 dapat dilihat bahwa data yang bersifat stationer memiliki rata-rata error (MAPE) yang cukup besar. Sehingga, dapat disimpulkan bahwa metode ANN lemah jika digunakan untuk meramalkan pada data yang bersifat stationer Saran Beberapa saran yang ditujukan untuk pengembangan sistem ini di masa yang akan datang berdasarkan hasil perancangan, implementasi, dan uji coba yang telah dilakukan adalah : Karena rentang data hanya bernilai positif, maka perangkat lunak ini menggunakan sigmoid sebagai fungsi aktivasinya. Akan lebih baik, perangkat lunak dapat memungkinkan untuk digunakan fungsi aktivasi selain sigmoid. Sebagai contoh jika data yang digunakan memiliki rentang nilai tidak hanya positif, maka dimungkinkan penggunaan fungsi aktivasi selain sigmoid. Perlu adanya penelitian yang lebih dalam mengenai interval kepercayaan (nilai pesimis, optimis, dan mostlikely) yang disesuaikan dengan jenis data dan point of view pengguna. Perlu adanya pengembangan lebih lanjut pada peramalan dengan menggunakan metode ANN pada data tidak stationer. pesimis mostlikely optimis hasil_ramalan data kesalahan relatif (%)
7 Tabel 5. Hasil Ramalan Permintaan Mobil di Austria pesimis mostlikely optimis Hasil ramalan data kesalahan relatif (%)
8 Tabel 6. Hasil Ramalan Pengunjung ke Hong Kong dari Jepang pesimis mostlikely optimis Hasil ramalan data kesalahan relatif (%)
9 Daftar Pustaka Anggono, D. N., Anggraeni, W., & Mukhlason, A. (2011). Analisa Data Runtut Waktu Multi-variabel Menggunakan Metode Vector Autoregression (VAR) untuk Peramalan Permintaan Kamar Hotel. Surabaya: Jurusan Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember. Doganis, P., Alexandridis, A., Patrinos, P., & Sarimveis, H. (2006). Time series sales forecasting for short shelf-life food products based on ficial arti neural networks and evolutionary computing. Journal of Food Engineering, Han, J., & Kamber, M. (2006). Data Mining Concepts and Techniques (2nd Edition ed.). (Elsevier, Ed.) San Francisco, CA 94111: Morgan Kaufman. Heaton Research, Inc. (2010, November). encog. Retrieved from heatonresearch.com: Karlik, B., & Olgac, A. V. (2011). Performance Analysis of Various Activation Function in Generalized MLP Architectures of Neural Networks. International Juurnal of Artificial Intelligence and Expert Systems (IJAE), 1 (4), 1. Law, R., & Au, N. (1999). A neural network model to forecast Japanese demand for travel to Hong Kong. Tourism Management, Linawati, F., Anggraeni, W., & Vinarti, R. A. (2011). Penggunaan Metode Regresi Berganda Untuk Meramalkan Permintaan Mobil dengan N Variabel Independent Adaptif. Surabaya: Jurusan Sistem Informasi,Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Surabaya. Purnomo, M. H., & Kurniawan, A. (2006). Supervised Neural Network dan Perangkat lunaknya. Yogyakarta: Graha Ilmu. taheretaheri. (2010, june 3). Benchmarking and Comparing Encog, Neuroph and JOONE Neural Networks. Retrieved from codeproject.com: k-neuroph-encog.aspx
PEMBUATAN PERANGKAT LUNAK PERAMALAN MENGGUNAKAN METODE ANN DENGAN MEMANFAATKAN LIBRARY ENCOG JAVA
PEMBUATAN PERANGKAT LUNAK PERAMALAN MENGGUNAKAN METODE ANN DENGAN MEMANFAATKAN LIBRARY ENCOG JAVA Nama : Resa Alfarisi NRP : 5207100100 Jurusan : Sistem informasi FTIF ITS Dosen Pembimbing 1 : Wiwik Anggraeni
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 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 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 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 terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih 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 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 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 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 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 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 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 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 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 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 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 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 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 Jumlah Kunjungan Pasien Poli Bedah di Rumah Sakit Onkologi Surabaya Menggunakan Fuzzy Time Series
Prediksi Jumlah Kunjungan Pasien Poli Bedah di Rumah Sakit Onkologi Surabaya Menggunakan Fuzzy Time Series Arfinda Setiyoutami a, Wiwik Anggraeni b, Renny Pradina Kusumawardani c Jurusan Sistem Informasi
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 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 terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
Lebih 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 terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih 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 terperinciPERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION ALGORITHM
JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI Vol.6 No. 2, Desember 217 : 8-91 PERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION
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 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 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 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 terperinciPREDIKSI PENGGUNAAN BANDWIDTH PENS_ITS MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION
PREDIKSI PENGGUNAAN BANDWIDTH PENS_ITS MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION Imam Shabri, Mike Yuliana, Zaqiatud Darojah Jurusan Telekomunkasi - Politeknik Elektronika Negeri
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 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 terperinciPERAMALAN PRODUKSI CABAI RAWIT DENGAN NEURAL NETWORK Muhammad Fajar
PERAMALAN PRODUKSI CABAI RAWIT DENGAN NEURAL NETWORK Muhammad Fajar Abstrak Tujuan penelitian ini untuk melakukan peramalan produksi cabai rawit dengan menggunakan neural network. Data yang digunakan dalam
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 1 PENDAHULUAN. datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk
BAB 1 PENDAHULUAN 1.1. Latar Belakang Peramalan adalah menduga atau memperkirakan suatu keadaan di masa yang akan datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk menetapkan kapan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka berpikir Perubahan nilai tukar rupiah terhadap mata uang asing tidak dapat dihindari. Untuk mengatasi perubahan yang tidak pasti ini diperlukan suatu prediksi.
Lebih terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-403
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 201-9271 A-0 Implementasi Fuzzy Neural Network untuk Memperkirakan Jumlah Kunjungan Pasien Poli Bedah di Rumah Sakit Onkologi Surabaya Ani Rahmadiani dan Wiwik
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 terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciPrediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation
Scientific Journal of Informatics Vol 3, No 1, Mei 2016 p-issn 2407-7658 http://journalunnesacid/nju/indexphp/sji e-issn 2460-0040 Prediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation
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 terperinciPERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA
PERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA Budho Setyonugroho 1), Adhistya Erna Permanasari 2), Sri Suning Kusumawardani
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 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 terperinciPeramalan Data IHSG Menggunakan Metode Backpropagation
Peramalan Data IHSG Menggunakan Metode Backpropagation Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang, Indonesia hansun@umn.ac.id Diterima 31 Agustus 2012 Disetujui
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 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 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 terperinciArtificial Neural Network Backpropagation Dengan Momentum Untuk Prediksi Surface Roughness Pada CNC Milling
Artificial Neural Network Dengan Momentum Untuk Prediksi Surface Roughness Pada CNC Milling Vivi Tri Widyaningrum Program Studi Mekatronika, Fakultas Teknik, Universitas Trunojoyo Madura Bangkalan, Jawa
Lebih terperinciProgram Pilihan Ganda Sederhana dengan Java
Program Pilihan Ganda Sederhana dengan Java Posted by Lita Nurlaelati 1:25 PM Programming Kali ini admin berbagi tentang membuat program Java GUI menggunakan Netbeans. Berikut langkah - langkahnya : Buat
Lebih terperinciPERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION
PERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION (Forecast The Number of Vehicle in Jakarta Using Backpropagation Neural Net ) Zumrotus Sya diyah Universitas Darussalam Ambon,
Lebih terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciBAB 1 PENDAHULUAN. 1 Universitas Kristen Maranatha. Gambar 1.1 : Ilustrasi jaringan syaraf manusia yang diadaptasi untuk ANN (Kriesel, 2011)
BAB 1 PENDAHULUAN 1.1 Latar Belakang Rentannya kesalahan yang dapat terjadi oleh pekerjaan yang dilakukan oleh manusia dalam menganalisa, atau ketika mencoba membangun relasi antar fitur yang berjumlah
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Literatur Algoritma genetik merupakan salah satu algoritma yang biasanya digunakan dalam optimalisasi data. Namun penggunaan algoritma genetik dalam melakukan peramalan
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION
JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION Yuyun Dwi Lestari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan E-mail : yuyun.dl@gmail.com
Lebih terperinciPERANCANGAN APLIKASI JARINGAN SARAF TIRUAN UNTUK PREDIKSI NILAI TUKAR RUPIAH TERHADAP MATA UANG ASING
PERANCANGAN APLIKASI JARINGAN SARAF TIRUAN UNTUK PREDIKSI NILAI TUKAR RUPIAH TERHADAP MATA UANG ASING Danny Horia Komp. Duta Harapan Indah Blok JJ no 52 021-6682844 dannybinuz@gmail.com Binus University
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
44 BAB 4 HASIL DAN PEMBAHASAN 4.1. ARIMA DENGAN SPSS Dalam riset ini digunakan nilai penutupan harian dari saham ANTM pada bulan november 2007 sampai desember 2007. Gambar 1: Data Close Saham Nov Dec 07
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciBAB I PENDAHULUAN. Kemunculan minimarket yang begitu banyak membuat manajemen
BAB I PENDAHULUAN 1.1. Pendahuluan Kemunculan minimarket yang begitu banyak membuat manajemen perusahaan minimarket harus berfikir kreatif agar dapat bersaing dengan usaha sejenis dalam merebut pangsa
Lebih terperinciBAB III. METODOLOGI. kegiatan manusia membuat penelitian dengan domain teknik informatika
BAB III. METODOLOGI 3.1. Kerangka Pikir Teknik informatika yang memiliki andil yang cukup besar dalam berbagai kegiatan manusia membuat penelitian dengan domain teknik informatika merupakan hal yang menarik
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
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 terperinciModel Prediksi Berbasis Neural Network untuk Pengujian Perangkat Lunak Metode Black-Box
Model Prediksi Berbasis Neural Network untuk Pengujian Perangkat Lunak Metode Black-Box Zulkifli Program Studi Teknik Informatika STMIK Teknokrat Bandar Lampung, Indonesia zulkiflist34@yahoo.co.id Abstrak
Lebih terperinciSTUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
STUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Muh. Ishak Jumarang 1), Lyra Andromeda 2) dan Bintoro Siswo Nugroho 3) 1,3) Jurusan Fisika,
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Siti Amiroch Universitas Islam Darul Ulum Lamongan, amirast_117@yahoo.com Abstract. In the stock market, stock price prediction is
Lebih terperinciPENDAFTARAN MAHASISWA BARU PROGRAM PENDIDIKAN DASAR MENGGUNAKAN ALGORITMA NN BACKPROPAGATION DI UPBJJ-UNIVERSITAS TERBUKA PROVINSI SULAWESI TENGAH
PENDAFTARAN MAHASISWA BARU PROGRAM PENDIDIKAN DASAR MENGGUNAKAN ALGORITMA NN BACKPROPAGATION DI UPBJJ-UNIVERSITAS TERBUKA PROVINSI SULAWESI TENGAH Syahrullah 1), Hajra Rasmita Ngemba 2), Syaiful Hendra
Lebih terperinciWAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 2, November 2007, 53 64 WAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES Daryono Budi Utomo Jurusan Matematika FMIPA Institut Teknologi
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 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 Dalam perkembangan teknologi yang semakin pesat ini banyak sekali perubahan perkembangan yang telah terjadi untuk membantu kehidupan masyarakat. Dalam perkembangan
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 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 terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciBAB 1 PENDAHULUAN. saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Cepatnya perubahan fluktuasi harga index saham membuat para pemegang saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung. Saham yang mempunyai
Lebih terperinciPENGGUNAAN METODE REGRESI BERGANDA UNTUK MERAMALKAN PERMINTAAN MOBIL DENGAN N VARIABEL INDEPENDEN ADAPTIF
PRESENTASI TUGAS AKHIR KS091336 PENGGUNAAN METODE REGRESI BERGANDA UNTUK MERAMALKAN PERMINTAAN MOBIL DENGAN N VARIABEL INDEPENDEN ADAPTIF Penyusun Tugas Akhir : Fitri Linawati (NRP : 5207.100.114) Dosen
Lebih terperinciIMPLEMENTASI PEMODELAN ARTIFICIAL NEURAL NETWORKS (ANN) DALAM PREDIKSI DATA TIME SERIES PENJUALAN STUDI KASUS PT.
TUGAS AKHIR CI1599 IMPLEMENTASI PEMODELAN ARTIFICIAL NEURAL NETWORKS (ANN) DALAM PREDIKSI DATA TIME SERIES PENJUALAN STUDI KASUS PT. VARIA USAHA BETON ATHUR ADHI BUWANA NRP 5102 109 044 Dosen Pembimbing
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 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 terperinciPENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM Nanik Susanti 1* 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
Lebih terperinciPERAMALAN BEBAN JANGKA PENDEK PADA HARI LIBUR DI BALI MENGGUNAKAN METODE GENERALIZED REGRESSION NEURAL NETWORK (GRNN)
PERAMALAN BEBAN JANGKA PENDEK PADA HA LIBUR DI BALI MENGGUNAKAN METODE GENERALIZED REGRESSION NEURAL NETWORK () Juniar Doan Wihardono 1, Agus Dharma 2, I Made Mataram 3 Jurusan Teknik Elektro dan Komputer,
Lebih terperinciPEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK
PEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK Bilqis Amaliah 1, Amethis Oktaorora 2 1,2 Teknik Informatika, FTIf - ITS,Surabaya
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 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Analisis merupakan proses penguraian konsep ke dalam bagian-bagian yang lebih sederhana, sehingga struktur logisnya menjadi jelas. Metode untuk menguji, menilai, dan
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 terperinciKLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF
KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
Lebih terperinciPREDIKSI LOYALITAS PELANGGAN HOTEL DENGAN MENGGUNAKAN METODE BACK PROPAGATION
PREDIKSI LOYALITAS PELANGGAN HOTEL DENGAN MENGGUNAKAN METODE BACK PROPAGATION 1 Bain Khusnul Khotimah, dan 2 Lynda Octavia Suryaningtias 1,2) Program Studi Teknik Informatika, Fakultas Teknik, Universitas
Lebih terperinciESTIMASI PARAMETER MODEL HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK PADA HASIL PENGUKURAN MEAN SEA LEVEL SATELIT ALTIMETRI JASON 2
Vol. 7, No. 2, Desember 2012 ESTIMASI PARAMETER MODEL HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK PADA HASIL PENGUKURAN MEAN SEA LEVEL SATELIT ALTIMETRI JASON 2 Novi Mara KODE ARTIKEL : 117-2-12
Lebih 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 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 terperinciAchmad Fauqy Ashari Supervisor: Wiwik Anggraeni S.Si, M.Kom Ahmad Mukhlason S.Kom, M.Sc
Achmad Fauqy Ashari 5208100150 Supervisor: Wiwik Anggraeni S.Si, M.Kom Ahmad Mukhlason S.Kom, M.Sc Sistem Informasi - FTIf - 2012 Tujuan dari tugas akhir ini adalah pengembangan prototipe sistem cerdas
Lebih terperinciANALISIS DAN PERACANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD SKRIPSI
ANALISIS DAN PERACANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD SKRIPSI SISKA MELINWATI 061401040 PROGRAM STUDI SARJANA ILMU KOMPUTER DEPARTEMEN
Lebih terperinciKLASIFIKASI DATA DENGAN QUANTUM PERCEPTRON
KLASIFIKASI DATA DENGAN QUANTUM PERCEPTRON Lipantri Mashur Gultom 1* 1 Program Studi Teknik Komputer, Politeknik LP3I Medan Tel: 061-7867311 Fax: 061-7874466 * Email : lipantri@gmailcom ABSTRAK Klasifikasi
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 IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinci