Peramalan Harga Minyak Mentah Dunia dengan General Regression Neural Network (GRNN) dalam Rangka Mengukur Kestabilan Perekonomian Indonesia
|
|
- Suharto Kurniawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Peramalan Harga Minyak Mentah Dunia dengan General Regression Neural Network (GRNN) dalam Rangka Mengukur Kestabilan Perekonomian Indonesia Rezzy Eko Caraka 1, Hasbi Yasin 2 (1) Statistics Center Undip, Jurusan Statistika, Fakultas Sains dan Matematika, Universitas Diponegoro Jl. Prof. H. Soedharto, SH, Tembalang Semarang Telp/Fax (024) Rezzyekocaraka@gmail.com (2) Staff Pengajar, Jurusan Statistika, Fakultas Sains dan Matematika, Universitas Diponegoro Jl. Prof. H. Soedharto, SH, Tembalang Semarang Telp/Fax (024) Hasbiyasin17@gmail.com Abstrak Stabilitas pasokan dan harga minyak dunia sangat diperlukan dunia untuk mendorong perumbuhan ekonomi. Dampak dari kenaikan harga minyak dunia akan mendorong tingkat inflasi dan kegiatan ekonomi. Untuk Indonesia akan merasakan harga barang impor mengalami kenaikan. Dampak terhadap APBN bisa dari sisi penerimaan dan pengeluaran. Untuk penerimaan, akan terjadi kenaikan penerimaaan negara dari sektor Minyak dan Gas (Migas). Sedangkan dari sisi pengeluaran, akan terjadi kenaikan subsidi BBM, karena harga minyak yang diimpor menjadi lebih mahal. Meningkatnya harga minyak mentah di pasar internasional dan rendahnya daya beli masyarakat Indonesia terutama masyarakat miskin menjadi dilema dalam ketahanan ekonomi. General Regression Neural Network (GRNN) merupakan salah satu model jaringan radial basis yang digunakan untuk pendekatan suatu fungsi. Model GRNN termasuk model jaringan syaraf tiruan dengan solusi yang cepat, karena tidak diperlukan iterasi yang besar pada estimasi bobot-bobotnya. Model ini memiliki arsitektur jaringan yang baku, dimana jumlah unit pada pattern layer sesuai dengan jumlah data input. Analisis dilakukan simulasi jaringan dengan menguji 98 data tersisa didapat nilai didapat nilai mse training sebesar dan mse testing sebesar Berdasarkan hasil ramalan dapat dilihat bahwa nilai ramalan harga minyak mentah dunia berkisaran di USD$80 perbarel. Kata Kunci: General Regression Neural Network (GRNN), Harga Minyak Dunia, Ketahanan Ekonomi,Peramalan (Forecasting) 1. Pendahuluan Indonesia merupakan salah satu negara yang kaya akan hasil minyak buminya. Namun, dalam beberapa tahun terakhir, Indonesia sudah menjadi negara yang masuk kategori net importir minyak, dimana untuk tahun diperkirakan kebutuhan dalam negeri setara dengan 1,4 juta barel per hari sedangkan dari produksi dalam negeri hanya sekitar 930 ribu barel per hari dan yang menjadi bagian negara adalah 586 ribu barel per hari. Dalam produksi nya, setiap industri memerlukan energi untuk menghasilkan produk. Minyak dunia yang diimpor sebagai bahan baku untuk menghasilkan energi memiliki harga cukup mahal, tidak sepadan dengan kemampuan ekonomi sebagian besar rakyat Indonesia, sehingga harga tersebut tidak dapat diterapkan di Indonesia. Dampak dari kenaikan harga minyak dunia akan mendorong tingkat inflasi dan kegiatan ekonomi. Ketahanan ekonomi nasional merupakan suatu konsep yang berkaitan dengan banyak dimensi. dimensi-dimensi itu meliputi: stabilitas ekonomi,tingkat integritas ekonomi, ketahanan system ekonomi terhadap goncangan dari luar system ekonomi, margin of savety dari garis kemiskinan dan tingkat pertumbuhan ekonomi, keunggulan kompetitif produk-produk ekonomi nasional,kemantapan ekonomi dari segi besarnya ekonomi nasional,tingkat integritas ekonomi nasional dengan ekonomi global. Faktor-faktor yang mempengaruhi ketahanan di bidang ekonomi negara berkembang seperti indonesia dalam pengelolaan factor produksi menjadi barang dan jasa mempunyai ciri sebagai berikut: bumi dan
2 Rezzy Eko Caraka/Statistics Center Undip - Ekonomi sumber alam, tenaga kerja,faktor modal,faktor teknologi, hubugan dengan ekonomi luar negeri, prasarana atau infrastruktur. Jaringan Syaraf Tiruan (Arifical Neural Network) atau yang dikenal dengan istilah Neural Network (NN) merupakan sistem pemroses informasi yang memiliki karakteristik mirip dengan syaraf biologi, dimana dalam memproses informasi, otak manusia terdiri dari sejumlah neuron yang melakukan fungsi pemrosesan cukup kompleks. Pemrosesan informasi pada manusia bersifat adaptif, yang artinya hubungan antar neuron terjadi secara dinamis dan selalu memiliki kemampuan untuk mempelajari informasi-informasi yang belum diketahui sebelumnya (Fausett, 1994). Dengan menggunakan metode General Regression Neural Network ini, harga minyak dunia beberapa tahun ke depan dapat diprediksi berdasarkan data harga minyak dunia tahun-tahun sebelumnya. Hasil penelitian ini dapat membantu pemerintah untuk melakukan suatu kebijakan yang memudahkan kinerja negara dan menganalisis terhadap ketahanan ekonomi. Hal inilah yang melatar belakangi penulis dalam melakukan penelitian dengan judul Analisis Harga Minyak Dunia dengan Metode General Regression Neural Network Terhadap Ketahanan Ekonomi Indonesia. Berdasarkan latar belakang yang telah diuraikan, permasalahan yang timbul adalah bagaimana pemodelan general regression neural network untuk analisa data harga minyak dunia dan bagaimana prediksi terhadap harga minyak dunia dan apa dampak terhadap ketahanan ekonomi Indonesia 2. Metode Penelitian Metodologi penilitian ini menggunakan metodologi kuantitatif dengan berbekal data runtun waktu produksi harga minyak mentah dunia oleh dengan periode 4 januari November disertai dengan berbagai alat analisis statistika Analisis Data Deret Waktu Data deret waktu merupakan sekelompok pengamatan yang diperoleh pada titik waktu yang berbeda dengan selang waktu yang sama dan barisan data diasumsikan saling berhubungan satu sama lain (Box dan Jenkins, 1994). Menurut Cryer (1986) analisis deret waktu merupakan serangkaian pengamatan yang disusun menurut waktu dan mempertimbangkan pengaruh waktu di mana data pengamatan bersifat acak dan saling berhubungan secara statistik Autoregressive Integrated Moving Averge (ARIMA) Model Autoregressive Integrated Moving Averge (ARIMA) merupakan model yang sering dipakai dalam melakukan peramalan. Menurut Wei (1990), model ARIMA(p,d,q) adalah sebagai beikut : φ p (B) d Y t = θ 0 + θ q (B)e t (1) di mana φ p (B) = (1 φ 1 B φ p B p ) merupakan operator AR, dan θ q (B) = (1 θ 1 B θ q B q ) merupakan operator MA. Model dari ARIMA dinotasikan dengan (p,d,q). Ketika p = 0, ARIMA(p,d,q) disebut juga integrated moving average dengan orde (d,q) atau IMA (d,q), di mana : φ 1,, φ p = parameter autoregressive θ 1,, θ 2 = parameter moving average B = operator mundur (backshift operator) p = derajat autoregressive d = derajat differencing q = derajat moving average e t = sisaan ARIMA waktu ke-t Menurut Makridakis (1999), beberapa model dari ARIMA adalah sebagai berikut : 1. Model autoregressive ARIMA(1,0,0) Y t = μ + φ 1 Y t 1 + e t sehingga (2) (1 φ 1 B)Y t = μ + e t 2. Model moving average ARIMA(0,0,1)
3 Y t = μ + e t θ 1 e t 1 atau (3) Y t = μ + (1 θ 1 B)e t 3. Model campuran ARMA(1,1) Y t = μ + φ 1 Y t 1 θ 1 e t 1 + e t sehingga (4) (1 φ 1 B)Y t = μ + (1 θ 1 B)e t 2.3 Artificial Neural Network Secara garis besar pada ANN memiliki dua tahap pemrosesan informasi, yaitu tahap pelatihan dan tahap pengujian. Tahap pelatihan dimulai dengan memasukkan pola-pola belajar (data latih) ke dalam jaringan. Dengan menggunakan pola-pola ini, jaringan akan mengubah ubah bobot yang menjadi penghubung antara node. Pada setiap iterasi dilakukan evaluasi terhadap output jaringan. Tahap ini berlangsung pada beberapa iterasi dan berhenti setelah jaringan menemukan bobot yang sesuai dimana nilai error yang diinginkan telah tercapai atau jumlah iterasi telah mencapai nilai maksimal yang ditetapkan. Selanjutnya bobot ini menjadi knowledge base (dasar pengetahuan) pada tahap pengenalan. Sedangkan pada tahap pengujian dilakukan pengujian terhadap suatu pola masukan yang belum pernah dilatihkan sebelumnya (data testing) dengan menggunakan bobot hasil tahap pelatihan. Diharapkan bobot-bobot hasil pelatihan yang sudah menghasilkan error minimal juga akan memberikan error yang kecil pada tahap pengujian (Warsito, 2009). 2.4 General Regression Neural Network (GRNN) General Regression Neural Network (GRNN) merupakan salah satu model jaringan radial basis yang sering digunakan untuk pendekatan suatu fungsi. Dasar dari operasi GRNN secara esensial didasarkan pada regresi nonlinear (kernel) dimana estimasi dari nilai harapan output ditentukan oleh himpunan input-inputnya ( Leung,et.al,2000). E[y x] = yf(x,y)dy f(x,y)dy (6) 2.5 Struktur Dan Arsitektur GRNN Konstruksi GRNN terdiri dari empat layer pemrosesan yaitu neuron input,pattern,summation dan output. Input layer menerima vector input X dan mendistribusikan data ke pattern layer. Tiap-tiap neuron dalam pattern layer kemudian membangun output θ dan mengirimkan hasilnya ke summation layer. Neuron-neuron numerator dan denominator summation layer menghitung jumlahan aritmatik sederhana dan terboboti yang didasarkan pada nilai θ dan w ij yang diperoleh berdasarkan pembelajaran melalui training dengan supervise. Neuron neuron pada output layer kemudian melakukan pembagian terhadap jumlahan yang telah dihitung oleh neuronneuron pada summation layer Gambar 1. Konstuksi GRNN Secara Umum
4 Tiap-tiap layer unit pemrosesan ditandai dengan suatu fungsi komputasional yang spesifik. Layer pertama disebut neuro input (input neurons), bertanggung jawab untuk menerima informasi. Terdapat suatu neuron input tunggal untuk setiap variabel predictor dalam vector input X. tidak ada pemrosesan data yang dilakukan pada neuron-neuron input tersebut. Neuron input kemudian mengirimkan data ke layer kedua dari unit pemrosesan yang disebut neuron pola (pattern neurons). Dalam hal ini, jumlah neuron pola sama dengan jumlah kasus dalam himpunan training. Neuron pola I mendapatkan data dari neuron input dan menghitung output θ i mengunakan fungsi transfer: θ = e (X Ui) (X Ui)/2σ2 ) (7) Output dari neuron pola kemudian diteruskan ke layer ketiga dari unit pemrosesan yang disebut neuron jumlahan (summation neurons) dimana output dari semua neuron pola ditambahkan. Secara teknis ada dua tipe penjumlahan terboboti. Dalam topologi GRNN terdapat unit pemrosesan terpisah yang melakukan penjumlahan aritmatik sederhana dan penjumlahan terboboti. Persamaan (8.a) dan (8.b) masing-masing menyatakan operasi matematis yang dibentuk oleh penjumlahan terboboti S s = i θ j (8.a) S w = j w j θ j (8.b) Jumlahan yang dihasilkan oleh summation neurons secara berturut-turut dikirimkan ke layer ke empat dari unit pemrosesan yaitu neuron output. Neuron output kemudian membentuk pembagian berikut untuk mendapatkan output regresi GRNN y: y = S W S S (8.c) Periode yang paling menentukan dimulai setelah pelatihan jaringan. Jaringan dilatih menggunakan kasus didalam himpunan data pelatihan dihitung estimasi nilai dari hasil jaringan dibandingkan dengan sampel nyata yang diamati dan parameter jaringan yang telah disesuaikan sehingga diperoleh error hasil pelatihan. (Caraka, ). Error hasil pelatihan untuk langkah lebih lanjut akan digunakan untuk mencari MSE hasil pelatihan. Setiap data peramalan hasil estimasi nilai diuji dengan data observasi dalam himpunan pengujian. Kriteria evaluasi yang digunakan yaitu MSE (mean square error), untuk MSE output univariat dihitung rumus dibawah ini: MSE = 1 Q (t Q k=1 k y k ) 2 (9) Dengan : Q = Jumlah pola yang dihitung t = Vektor target y = Vektor output jaringan 3. Hasil dan Diskusi 3.1 Pemodelan General Regression Neural Network (GRNN) Data dibagi dua dimana 1136 data digunakan sebagai training dan 98 sebagai testing hasil identifikasi terhadap data harga minyak mentah dunia diperoleh lag 1,2,8 X t 1, X t 2, dan X t 8. Dilakukan preprocessing menggunakan bentuk normal dengan perintah dalam software matlab[pn,meanp,stdp,tn,meant,stdt]=prestd(p,t). Setelah itu dibangun jaringan GRNN. Dengan perintah newgrnn(pn,tn,i) dimana pn adalah input untuk training yang telah dinormalisasikan dan tn adalah data target yang telah dinormalisasikan sedangkan I adalah spread yang
5 digunakan. Perintah newgrnn akan menghasilkan sebuah jaringan dengan dua lapisan. Lapisan pertama memuat neuron dengan fungsi aktivasi radbas, yang akan menghitung input terboboti dengan perintah dist dan input jaringan dengan perintah netprod. Lapisan kedua merupakan neuron dengan fungsi aktivasi purelin yang akan menghitung input terboboti dengan perintah normprod dan input jaringan dengan perintah netsum. Hanya lapisan pertama yang mempunyai bias. Pada gambar 2 dapat dilihat bahwa secara visual model telah dapat mendekati nilai aslinya, terlihat dari pola data prediksi yang relatif berimpit dengan data asli. Hasil ini juga menunjukkan bahwa model General Regression Neural Network dapat digunakan untuk prediksi data. Pada tahap pemodelan GRNN didapat nilai mse training sebesar dan mse testing sebesar Untuk melihat pola data training dan data testing dapat dilihat pada gambar 3 yang dianalisis bahwa pola data training dan data testing berhimpitan sehingga dapat disimpulkan bahwa pemilihan besar data training dan data testing sudah tepat 130 in Sample Prediksi in Sample Forecasting - Gambar 2. Prediksi in Sample Data Minyak Mentah Dunia Out of Sample Prediksi Out of Sample Forecasting - Gambar 3. Grafik Prediksi out of Sample Data Minyak Mentah Dunia 3.2 Peramalan General Regression Neural Network (GRNN) Untuk membuat peramalan (forecasting) beberapa periode kedepan disusun fungsi forecastgrnn_basketprice Pada fungsi ini dibuat plot hasil permalan ke depan dalam bentuk stem dapat dilihat pada Gambar 4.
6 90 Grafik Forecasting Forecasting Gambar 4. Peramalan Data Minyak Mentah Dunia 3.3 Analisis Ketahanan Ekonomi Berdasarkan hasil ramalan dapat dilihat bahwa nilai ramalan harga minyak mentah dunia berkisaran di USD$80 perbarel. Sedangkan dalam perspektif ekonomi, kenaikan harga minyak mentah dunia akan mempengaruhi permintaan (demand) dan penawaran (supply). Permintaan adalah keinginan yang disertai dengan kesediaan serta kemampuan untuk membeli barang yang bersangkutan. Sementara penawaran adalah banyaknya jumlah barang dan jasa yang ditawarkan oleh produsen pada tingkat harga dan waktu tertentu. Permintaan dari masyarakat akan berkurang karena harga barang dan jasa yang ditawarkan mengalami kenaikan. Begitu juga dengan penawaran, akan berkurang akibat permintaan dari masyarakat menurun. Harga barang-barang dan jasa-jasa menjadi melonjak akibat dari naiknya biaya produksi dari barang dan jasa. Ini adalah imbas dari kenaikan harga minyak mentah dunia. Dampak dari kenaikan harga minyak dunia akan mendorong tingkat inflasi dan kegiatan ekonomi. Untuk Indonesia akan merasakan harga barang impor mengalami kenaikan. Dampak terhadap APBN bisa dari sisi penerimaan dan pengeluaran. Untuk penerimaan, akan terjadi kenaikan penerimaaan negara dari sektor Minyak dan Gas (Migas). Sedangkan dari sisi pengeluaran, akan terjadi kenaikan subsidi BBM, karena harga minyak yang diimpor menjadi lebih mahal. Harga minyak yang tinggi dapat menyebabkan kemunduran ekonomi di negara-negara pengimpor minyak dan ekonomi global secara keseluruhan. Pengalihan pendapatan dari pengimpor minyak ke pengekspor minyak tidak simetris karena daya serapnya yang berbeda. Kenaikan harga yang berlanjut juga akan menghambat pemulihan ekonomi global. Negara- pengimpor minyak yang tinggi intensitas minyaknya akan mengalami kesulitan yang lebih besar daripada negara-negara yang lebih efisien menggunakan minyaknya. Meningkatnya harga minyak mentah di pasar internasional dan rendahnya daya beli masyarakat Indonesia terutama masyarakat miskin menjadi dilema dalam ketahanan ekonomi. 4. Kesimpulan Model GRNN termasuk model jaringan syaraf dengan solusi yang cepat, karena tidak diperlukan iterasi yang besar pada proses estimasi bobot-bobotnya. Model ini juga sudah mempunyai arsitektur yang baku, dimana jumlah unit pada pattern layer sesuai dengan jumlah data input. Pada tahap pemodelan GRNN didapat nilai mse training sebesar dan mse testing sebesar Berdasarkan hasil ramalan dapat dilihat bahwa nilai ramalan harga minyak mentah dunia berkisaran di USD$80 perbarel. Dampak dari kenaikan harga minyak dunia akan mendorong tingkat inflasi dan kegiatan ekonomi. Untuk Indonesia akan merasakan harga barang impor mengalami kenaikan. Dampak terhadap APBN bisa dari sisi penerimaan dan pengeluaran. Untuk penerimaan, akan terjadi kenaikan penerimaaan negara dari sektor Minyak dan Gas (Migas). Sedangkan dari sisi pengeluaran, akan terjadi kenaikan subsidi BBM, karena harga minyak yang diimpor menjadi lebih mahal. Meningkatnya harga minyak mentah di pasar internasional dan rendahnya daya beli masyarakat Indonesia terutama masyarakat miskin menjadi dilema dalam ketahanan ekonomi
7 5. Daftar Pustaka Caraka, R E, dan Yasin, H.. Prediksi Produksi Gas Bumi Dengan General Regression Neural Network (GRNN). Prosiding Seminar Nasional Statistika IV Bandung. Universitas Padjadjaran Caraka,R E., Yasin, H. dan Prahutama,A.. Pemodelan General Regression Neural Network (GRNN) Dengan Peubah Input Data Return Untuk Peramalan Indeks Hangseng, Prosiding Seminar Nasional Ilmu Komputer. Universitas Negeri Semarang Fausett,L, (1994).Fundamentals of Neural Networks; architectures, algorithms and applications, Prentice-Hall Inc., Englewoods Cliffs, New Jersey. Johnson, R.A Applied Multivariate Statistical Analysis Third Edition, Prentice Hall International, Inc., New Jersey. Opec.. diakses 10 oktober pukul 18:00 WIB Siang,J.J. (2005). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab, Penerbit Andi : Yogyakarta Warsito, B Kapita Selekta Statistika Neural Network. BP Undip Semarang. Yasin, Hasbi Estimasi Regresi Non Parametrik Dengan Metode Wavelet Shrinkage Neural Network Pada Model Rancangan Tetap, Jurnal Media Statistika FSM UNDIP Semarang, Vol2, No 1.
PEMODELAN GENERAL REGRESSION NEURAL NETWORK (GRNN) DENGAN PEUBAH INPUT DATA RETURN UNTUK PERAMALAN INDEKS HANGSENG
PEMODELAN GENERAL REGRESSION NEURAL NETWORK (GRNN) DENGAN PEUBAH INPUT DATA RETURN UNTUK PERAMALAN INDEKS HANGSENG R. E. Caraka 1, H. Yasin 2 dan A. Prahutama 3 1,2,3 JurusanStatistika, Fakultas Sains
Lebih terperinciPERAMALAN HARGA MINYAK MENTAH DUNIA NEURAL NETWORK
PERAMALAN HARGA MINYAK MENTAH DUNIA MENGGUNAKAN METODE RADIAL BASIS FUNCTION NEURAL NETWORK SKRIPSI Disusun oleh: Rahafattri Ariya Fauzannissa 24010211140092 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciPERAMALAN HARGA MINYAK MENTAH DUNIA MENGGUNAKAN METODE RADIAL BASIS FUNCTION NEURAL NETWORK
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2015, Halaman 193-202 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN HARGA MINYAK MENTAH DUNIA MENGGUNAKAN METODE RADIAL
Lebih terperinciPEMODELAN GENERAL REGRESSION NEURAL NETWORK (GRNN) PADA DATA RETURN INDEKS HARGA SAHAM EURO 50
PEMODELAN GENERAL REGRESSION NEURAL NETWORK (GRNN) PADA DATA RETURN INDEKS HARGA SAHAM EURO 50 SKRIPSI Disusun Oleh : REZZY EKO CARAKA 240 102 111 400 85 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciPEMODELAN GENERAL REGRESSION NEURAL NETWORK (GRNN) PADA DATA RETURN INDEKS HARGA SAHAM EURO 50
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 181-192 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN GENERAL REGRESSION NEURAL NETWORK (GRNN) PADA DATA
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciAPLIKASI PENGGUNAAN METODE KOHONEN PADA ANALISIS CLUSTER (Studi Kasus: Pendapatan Asli Daerah Jawa Tengah Dalam Menghadapi Asean Community 2015)
APLIKASI PENGGUNAAN METODE KOHONEN PADA ANALISIS CLUSTER (Studi Kasus: Pendapatan Asli Daerah Jawa Tengah Dalam Menghadapi Asean Community 015) Rezzy Eko Caraka 1 (1) Statistics Center Undip, Jurusan Statistika,
Lebih terperinciFORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA
FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA 1) Nurul Latifa Hadi 2) Artanti Indrasetianingsih 1) S1 Program Statistika, FMIPA, Universitas PGRI Adi Buana Surabaya 2)
Lebih terperinciPERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA DENGAN
PERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA DENGAN MENGGUNAKAN HYBRID AUTOREGRESSIVE INTEGRATED MOVING AVERAGE NEURAL NETWORK Disusun oleh : Berta Elvionita Fitriani 24010211120005
Lebih terperinciBAB I PENDAHULUAN. finansial (financial assets) dan investasi pada aset-aset riil (real assets). Investasi pada
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Investasi pada hakikatnya merupakan komitmen terhadap sejumlah sumber daya pada saat ini dengan tujuan untuk mendapatkan keuntungan di masa depan (Abdul halim,
Lebih terperinciUnnes Journal of Mathematics
UJM 2 (2) (2013) Unnes Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN ARIMA Dwi Prisita
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:
ISSN: 2339-24 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 20, Halaman 74-74 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian PERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA
Lebih terperinciPEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA
PEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA SKRIPSI Disusun Oleh: UMI SULISTYORINI ADI 24010212140082 DEPARTEMEN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciBAB I PENDAHULUAN. berasal dari sumber tetap yang terjadinya berdasarkan indeks waktu t secara
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Time Series atau runtun waktu adalah serangkaian data pengamatan yang berasal dari sumber tetap yang terjadinya berdasarkan indeks waktu t secara berurutan
Lebih terperinciPROPOSAL PROGRAM KREATIVITAS MAHASISWA JUDUL PROGRAM ANALISIS HARGA MINYAK DUNIA DENGAN METODE GENERAL REGRESSION NEURAL NETWORK.
PROPOSAL PROGRAM KREATIVITAS MAHASISWA JUDUL PROGRAM ANALISIS HARGA MINYAK DUNIA DENGAN METODE GENERAL REGRESSION NEURAL NETWORK Bidang Kegiatan : PKM-PENELITIAN Diusulkan Oleh : Rezzy Eko Caraka 24010211140085/
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 terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
Lebih 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 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 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 terperinciPEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 771-780 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP
Lebih terperinciPREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)
PREDIKSI HARGA SAHAM PT. BRI, MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average) Greis S. Lilipaly ), Djoni Hatidja ), John S. Kekenusa ) ) Program Studi Matematika FMIPA UNSRAT Manado
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola data yang sistematis (Makridakis, 1999). Peramalan menggunakan pendekatan
Lebih terperinciII. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya
II. TINJAUAN PUSTAKA 2.1 Stasioner Analisis ARIMA Autoregressive Integrated Moving Average umumnya mengasumsikan bahwa proses umum dari time series adalah stasioner. Tujuan proses stasioner adalah rata-rata,
Lebih terperinciBAB II TINJAUAN PUSTAKA
DAFTAR ISI PERNYATAAN... i ABSTRAK... ii KATA PENGANTAR... iii UCAPAN TERIMA KASIH... iv DAFTAR ISI... v DAFTAR TABEL... ix DAFTAR GAMBAR... x DAFTAR LAMPIRAN... xi BAB I PENDAHULUAN... 1 1.1 Latar Belakang...
Lebih terperinciProsiding Statistika ISSN:
Prosiding Statistika ISSN: 2460-6456 Pemodelan Autoregressive Integrated Moving Average (ARIMA) dan Feedforwar Neural Network (FFNN) dengan Algoritma Backpropagation untuk Meramalkan Harga Open Emas Dunia
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pajak merupakan sumber kas negara yang digunakan untuk pembangunan. Undang- Undang Republik Indonesia Nomor 16 Tahun 2000 tentang Ketentuan Umum Dan Tata Cara Perpajakan
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 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 terperinciMODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA
MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA TUGAS AKHIR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciARTIKEL ILMIAH KEGIATAN FASILITASI PELAKSANAAN RISET UNGGULAN DAERAH TAHUN 2008
PEMERINTAH PROVINSI JAWA TENGAH BADAN PENELITIAN DAN PENGEMBANGAN ARTIKEL ILMIAH KEGIATAN FASILITASI PELAKSANAAN RISET UNGGULAN DAERAH TAHUN 2008 PREDIKSI CURAH HUJAN SEBAGAI DASAR PERENCANAAN POLA TANAM
Lebih terperinciPeramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer
Peramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer 1 Faridah Yuliani dan 2 Dr. rer pol Heri Kuswanto 1,2 Jurusan Statistika
Lebih terperinciPERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 110 117 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciBAB I PENDAHULUAN. paling parah dan paling lama tingkat pemulihannya akibat krisis keuangan
BAB I PENDAHULUAN 1.1 Latar Belakang Krisis keuangan yang terjadi di Asia pada pertengahan tahun 1997 diawali di Thailand dan merembet ke berbagai negara di Asia lainnya seperti di Indonesia, Malaysia,
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
Lebih terperinciPERAMALAN JUMLAH TAMU HOTEL DI KABUPATEN DEMAK
PERAMALAN JUMLAH TAMU HOTEL DI KABUPATEN DEMAK MENGGUNAKAN METODE SUPPORT VECTOR REGRESSION SKRIPSI Disusun Oleh : DESY TRISHARDIYANTI ADININGTYAS 24010211130047 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciPENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR ABSTRAK
PENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR Rosihan Ari Yuana Program Studi Pendidikan Matematika Universitas Sebelas Maret ABSTRAK Aplikasi jaringan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Manfaat Peramalan Pada dasarnya peramalan adalah merupakan suatu dugaan atau perkiraan tentang terjadinya suatu keadaan dimasa depan, tetapi dengan menggunakan metode metode tertentu
Lebih terperinciPERAMALAN PEMAKAIAN ENERGI LISTRIK DI MEDAN DENGAN METODE ARIMA
Saintia Matematika ISSN: 2337-9197 Vol. 2, No. 1 (2014), pp. 55 69. PERAMALAN PEMAKAIAN ENERGI LISTRIK DI MEDAN DENGAN METODE ARIMA John Putra S Tampubolon, Normalina Napitupulu, Asima Manurung Abstrak.
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 terperinciData Mining Peramalan Konsumsi Listrik dengan Pendekatan Cluster Time Series sebagai Preprocessing
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (2016) 2337-3520 (2301-928X Print) D-121 Data Mining Peramalan Konsumsi Listrik dengan Pendekatan Time Series sebagai Preprocessing M. Alfan Alfian Riyadi, Kartika
Lebih terperinciPrediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 T - 12 Prediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 441-450 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PREDIKSI DATA HARGA SAHAM HARIAN MENGGUNAKAN FEED FORWARD NEURAL
Lebih terperinciPemilihan Model JST untuk Penentuan Angka Oktana Biogasolin Sesuai dengan Data Masukannya
Yogyakarta, 16 Oktober 2008 Pemilihan Model JST untuk Penentuan Angka Oktana Biogasolin Sesuai dengan Data Masukannya Abdul Wahid dan Bambang Heru Susanto Laboratorium Sistem Proses Kimia, Departemen Teknik
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 terperinciPERAMALAN NILAI EKSPOR DI PROPINSI SUMATERA UTARA DENGAN METODE ARIMA BOX-JENKINS
Saintia Matematika Vol. 1, No. 6 (2013), pp. 579 589. PERAMALAN NILAI EKSPOR DI PROPINSI SUMATERA UTARA DENGAN METODE ARIMA BOX-JENKINS Raisa Ruslan, Agus Salim Harahap, Pasukat Sembiring Abstrak. Dalam
Lebih terperinciPROSIDING SEMINAR NASIONAL STATISTIKA IV
PROSIDING SEMINAR NASIONAL STATISTIKA IV PERANAN STATISTIKA DI BIDANG EKSPLORASI ENERGI INDONESIA ISSN: 2087-2590 Vol 4, November 2014 EDITOR: I Gede Nyoman Mindra Jaya, M. Si Anindya Apriliyanti Pravitasari,
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 terperinciPenerapan Model Hybrid ARIMA-Neural Network pada Data Saham IHSG
Penerapan Model Hybrid ARIMA-Neural Network pada Data Saham IHSG ¹) Ariane Yustisiani Mutmainah 1, Jadi Suprijadi 2, Zulhanif 3 Mahasiswa Program Studi Magister Statistika Terapan Universitas Padjajaran
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 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 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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP
PERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP SKRIPSI Disusun oleh : DITA RULIANA SARI NIM. 24010211140084 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan digunakanan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalis kendala atau memaksimalkan pengembangan baik
Lebih terperinciPeramalan Permintaan Paving Blok dengan Metode ARIMA
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Peramalan Permintaan Paving Blok dengan Metode ARIMA Adin Nofiyanto 1,Radityo Adi Nugroho 2, Dwi Kartini 3 1,2,3 Program
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciBAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH
BAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu data saham Astra Internasional Tbk tanggal 2 Januari
Lebih terperinciCombined for Time Series Forecasting
RBF and ARIMA Combined for Time Series Forecasting Dian Tri Wiyanti Teknik Informatika Universitas Semarang Semarang, Indonesia deediy87@gmailcom Reza Pulungan Jurusan Ilmu Komputer dan Elektronika FMIPA
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 terperinciPERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT
PERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG LOGO DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT Oleh : Ary Miftakhul Huda (1309 100 061) Dosen Pembimbing : Dr.rer.pol.
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Berdasarkan sifatnya peramalan terbagi atas dua yaitu peramalan kualitatif dan peramalan kuantitatif. Metode kuantitatif terbagi atas dua yaitu analisis deret berkala
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Barcode Rcognition System Using Backpropagation Neural Networks M. Kayadoe, Francis Yuni Rumlawang, Yopi Andry Lesnussa * Jurusan
Lebih terperinciTINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang
II.. TINJAUAN PUSTAKA Indeks Harga Konsumen (IHK Menurut Monga (977 indeks harga konsumen adalah ukuran statistika dari perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang didapatkan.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih 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 terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih 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 terperinciPENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH
PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH Tri Mulyaningsih ), Budi Nurani R ), Soemartini 3) ) Mahasiswa Program Magister Statistika Terapan Universitas Padjadjaran
Lebih terperinciPeramalan Harga Minyak Mentah Dunia (Crude Oil) Menggunakan Metode Radial Basis Function Neural Network (RBFNN)
Peramalan Harga Minyak Mentah Dunia (Crude Oil) Menggunakan Metode Radial Basis Function Neural Network (RBFNN) Crude Oil Price Forecasting Using Radial Basis Function Neural Network Method (RBFNN) Ayu
Lebih terperinciPEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA)
PEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA) Salmawaty Tansa 1, Bambang Panji Asmara 2 Fakultas Teknik, Jurusan Teknik Elektro,
Lebih terperinciAnalisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung
Analisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung Desy Yuliana Dalimunthe Jurusan Ilmu Ekonomi, Fakultas Ekonomi,
Lebih terperinciPERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR)
PERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR) SKRIPSI Oleh : PRISKA RIALITA HARDANI 24010211120020 DEPARTEMEN STATISTIKA FAKULTAS
Lebih terperinciPrediksi Pemakaian Listrik Menggunakan Jaringan Syaraf Tiruan dan ARIMA Di Wilayah Sulluttenggo
Prediksi Pemakaian Listrik Menggunakan Jaringan Syaraf Tiruan dan ARIMA Di Wilayah Sulluttenggo Silviani E Rumagit 1 dan Azhari 2 1 Mahasiswa Program Pascasarjana Ilmu Komputer, FMIPA, UGM, Yogyakarta.
Lebih terperinciPENERAPAN MODEL HYBRID ARIMA BACKPROPAGATION UNTUK PERAMALAN HARGA GABAH INDONESIA. Abstract
Penerapan Model (Sufia Nur Janah) PENERAPAN MODEL HYBRID ARIMA BACKPROPAGATION UNTUK PERAMALAN HARGA GABAH INDONESIA Sufia Nur Janah 1, Winita Sulandari 2, Santoso Budi Wiyono 2 2 Dosen Jurusan Matematika
Lebih terperinciModel Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan
METODE BOX JENKINS Model Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan utk semua tipe pola data. Dapat
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 004 Yogyakarta, 19 Juni 004 Klasifikasi Pola Menggunakan Jaringan Probabilistik Sri Kusumadewi Jurusan Teknik Informatika, Universitas Islam Indonesia Jl.
Lebih terperinciPeramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-157 Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series Moh Ali Asfihani dan Irhamah
Lebih terperinciPeramalan Kecepatan Angin Di Kota Pekanbaru Menggunakan Metode Box-Jenkins
Peramalan Kecepatan Angin Di Kota Pekanbaru Menggunakan Metode Box-Jenkins Ari Pani Desvina 1, Melina Anggriani 2,2 Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim Riau Jl. HR.
Lebih terperinciEstimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan
Estimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan Andi Ihwan 1), Yudha Arman 1) dan Iis Solehati 1) 1) Prodi Fisika FMIPA UNTAN Abstrak Fluktuasi suhu udara berdasarkan
Lebih terperinciPERAMALAN HASIL PRODUKSI ALUMINIUM BATANGAN PADA PT INALUM DENGAN METODE ARIMA
Saintia Matematika Vol. 1, No. 1 (2013), pp. 1 10. PERAMALAN HASIL PRODUKSI ALUMINIUM BATANGAN PADA PT INALUM DENGAN METODE ARIMA Lukas Panjaitan, Gim Tarigan, Pengarapen Bangun Abstrak. Dalama makalah
Lebih terperinciPERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 03 (2014), pp. 253 266. PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Lebih terperinciDETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION
No Makalah : 299 Konferensi Nasional Sistem Informasi 2012, STMIK - STIKOM Bali 23-25 Pebruari 2012 DETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION Ratri Dwi Atmaja 1,
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 terperinciPrediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins
Statistika, Vol. 16 No. 2, 95 102 November 2016 Prediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins FERRY KONDO LEMBANG Jurusan Matematika Fakultas MIPA Universitas Pattimura Ambon
Lebih terperinciABSTRAK. Kata kunci : Data Runtun Waktu, Indeks Harga Konsumen, ARIMA, Analisis Intervensi, Fungsi Step, Peramalan. I Pendahuluan
Analisis Model Intervensi Fungsi Step Terhadap Indeks Harga Konsumen (IHK) Zuhairini Azzahra A 1, Suyono 2, Ria Arafiyah 3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciBAB 2 LANDASAN TEORI Pengertian Data Deret Berkala
BAB 2 LANDASAN TEORI 2.1. Pengertian Data Deret Berkala Suatu deret berkala adalah himpunan observasi yang terkumpul atau hasil observasi yang mengalami peningkatan waktu. Data deret berkala adalah serangkaian
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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN Bab ini akan membahas tentang latar belakang, rumusan masalah, keaslian penelitian, tujuan penelitian, manfaat penelitian, batasan masalah, dan sistematika penulisan. 1.1 Latar Belakang
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 MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinci