Implementasi Gabungan Metode Multi-Factors High Order Fuzzy Time Series dengan Fuzzy C-Means untuk Peramalan Tingkat Inflasi di Indonesia
|
|
- Sugiarto Hartanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol., No. 7, Juli 018, hlm Implementasi Gabungan Metode Multi-Factors High Order Fuzzy Time Series dengan Fuzzy C-Means untuk Peramalan Tingkat Inflasi di Indonesia Jefri Hendra Prasetyo 1, Agus Wahyu Widodo, Bayu Rahayudi 3 Program Studi Teknik Informatika, 1 jefriprasetyo86@gmail.ac.id, a_wahyu_w@ub.ac.id, 3 ubay1@ub.ac.id Abstrak Inflasi merupakan fenomena moneter dalam suatu negara dimana naik turunnya mengakibatkan gejolak ekonomi. Bank Central Indonesia menetapkan sasaran inflasi kedepan untuk periode waktu tertentu dengan Inflation Targeting Framework (ITF) sebagai acuan pelaksanaan kebijakan moneter. Jika sasaran inflasi tidak tercapai, maka diperlukan langkah-langkah untuk mengembalikan inflasi sesuai dengan sasaran. Berdasarkan permasalahan tingkat inflasi maka pada penelitian ini diharapkan dapat memberikan sasaran inflasi untuk waktu kedepan melalui peramalan tingkat inflasi menggunakan gabungan metode Multi-Factors High Order Fuzzy Time Series dengan Fuzzy C-Means. Fuzzy C-Means digunakan untuk membentuk subinterval berdasarkan pusat cluster yang diperoleh, penggunaan Fuzzy C-Means diharapkan dapat merefleksikan data asli sehingga menghasilkan peramalan yang lebih baik. Dalam melakukan peramalan digunakan 4-factor data yang meliputi data time series tingkat inflasi beserta 3 faktor yang mempengaruhi. Hasil Implementasi gabungan metode Multi-Factors High Order Fuzzy Time Series dengan Fuzzy C-Means dilakukan pengujian kesalahan dari peramalan menggunakan metode Mean Absolute Percentage Error (MAPE) dan diperoleh nilai kesalahan sebesar sebesar % yang menunjukkan bahwa gabungan metode Multi-Factors High Order Fuzzy Time Series dengan Fuzzy C-Means termasuk dalam kategori baik digunakan dalam peramalan tingkat inflasi di Indonesia karena memiliki nilai akurasi dibawah 0%. Kata kunci: Inflasi, Fuzzy Time Series, Fuzzy C-Means, Multi-Factors High Order Fuzzy Time Series, Mean Absolute Percentage Error (MAPE). Abstract Inflation is a monetary phenomenon in a country where ups and downs result in economic turmoil. Bank Central Indonesia sets the inflation target for the next time with the Inflation Targeting Framework (ITF) as a reference for monetary policy. If the actual inflation does not match the inflation target, then the policy is needed to return inflation to such an inflation target. Based on the inflation rate problem, this research is expected to provide inflation target for the future through inflation rate forecasting using combined Multi-Factors High Order Fuzzy Time Series method with Fuzzy C-Means. Fuzzy C-Means is used to determine the cluster center to be used as a basis for the development of intervals, the use of Fuzzy C-Means is expected to reflect the real data so that the results of forecasting is better. In forecasting used 4-factor data that includes time series data rate inflation and 3 factors that affect. The results of the combined implementation of Multi-Factors High Order Fuzzy Time Series method with Fuzzy C-Means tested the error of forecasting using Mean Absolute Percentage Error (MAPE). Based on the test the error value is %, which indicates that the combined method of Multi-Factor High Order Fuzzy Time Series with Fuzzy C-Means is included in the good category used in forecasting the inflation rate in Indonesia because it has an accuracy value below 0%. Keywords: Inflation, Fuzzy Time Series, Fuzzy C-Means, Multi-Factors High Order Fuzzy Time Series, Mean Absolute Percentage Error (MAPE). Fakultas Ilmu Komputer Universitas Brawijaya 569
2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer PENDAHULUAN Inflasi merupakan fenomena moneter dalam suatu negara dimana naik turunnya mengakibatkan gejolak ekonomi (Silvia, 013). Di Indonesia telah dibuat kebijakan-kebijakan moneter untuk menjaga kestabilan inflasi, hal ini karena inflasi dapat mempengaruhi pertumbuhan ekonomi negara sehingga berdampak terhadap kesejahteraan masyarakat. Inflasi dapat diartikan sebagai kenaikan harga barang dan jasa secara umum dan terus-menerus (Suseno, 009). Dampak peningkatan inflasi dapat dirasakan secara langsung terutama oleh masyarakat yang memiliki gaji tetap, karena biaya hidup yang dikeluarkan semakin meningkat. Bank Indonesia menetapkan sasaran inflasi kedepan untuk periode waktu tertentu (Bank Sentral Republik Indonesia, 017). Bank Indonesia membuat sebuah kerangka kerja yang dinamakan Inflation Targeting Framework (ITF) dalam pelaksanaan kebijakan moneter. Sistem kerja ITF adalah dengan menentukan sasaran inflasi untuk periode waktu tertentu, dimana sasaran inflasi ditentukan berdasarkan sejumlah model dan informasi untuk menggambarkan kondisi inflasi kedepan. Sasaran inflasi digunakan sebagai acuan tingkat inflasi yang akan datang, jika sasaran inflasi tidak tercapai, maka diperlukan langkah-langkah untuk mengembalikan inflasi sesuai dengan sasaran. Peramalan merupakan metode yang digunakan untuk memperkirakan peristiwa di masa yang akan datang (Maulidah, 01). Dasar teori logika fuzzy dapat dimanfaatkan sebagai dasar dalam melakukan peramalan menggunakan data time series (data runtut waktu) (Fahmi, 013). Pada tahun 1993 Song dan Chissom mengembangkan metode peramalan dengan memanfaatkan logika fuzzy sebagai dasar untuk melakukan peramalan yang disebut dengan metode Fuzzy Time Series. Pada penelitian sebelumnya mengenai peramalan indeks harga saham gabungan di Shanghai dan indek harga saham di Shenzhen menggunakan Multi-Factors High Order Fuzzy Time Series Model, dimana data yang digunakan lebih dari satu faktor dan lebih dari satu order (norder) yang berfungsi untuk pembentukkan Fuzzy Logic Relationship (FLR). Multi-Factors High Order Fuzzy Time Series dapat melakukan peramalan lebih teliti dibandingkan menggunakan single factor dan 1-order karena dalam peramalan menggunakan FLR yang dibangun didasarkan pada data deret waktu sejumlah n-order dan menggunakan pertimbangan dari faktor-faktor data yang diramalkan. Pada pembentukkan subinterval penelitian ini menggunakan Fuzzy C-Means yang dimanfaatkan untuk memperoleh pusat cluster yang kemudian digunakan sebagai dasar penentuan subinterval, hal ini dikarenakan Fuzzy C-Means dapat merefleksikan dari data asli sehingga diperoleh hasil peramlaan yang lebih baik. Hasil penelitian ini dengan Chen s Model, didapati nilai kesalahan pada peramalan indeks harga saham gabungan di Shanghai dan indek harga saham di Shenzhen pada penelitian ini secara berturut-turut adalah 1,76% dan 1,87%, sedangkan dengan Chan s model secara berturut-turut adalah,47% dan,68% (Lin, 009). Berdasarkan permasalahan dan penelitian sebelumnya maka penulis ingin melakukan penelitian mengenai Implementasi gabungan Metode Multi-Factors High Order Fuzzy Time Series dengan Fuzzy C-Means, dimana Fuzzy C- Means digunakan untuk membagi himpunan semesta ke dalam subinterval, menggunakan 4- factor data yang meliputi data inflasi beserta 3 faktor yang mempengaruhi dan menggunakan n- order untuk Peramalan Tingkat Inflasi di Indonesia.. INFLASI.1 Pengertian Inflasi Inflasi merupakan kondisi meningkatnya harga-harga barang dan jasa secara umum dan terjadi terus-menerus (Suseno,009). Berdasarkan pengertian inflasi terdapat dua kata kunci penting dalam memahami inflasi, yang pertama adalah kata secara umum artinya Inflasi harus menggambarkan kenaikan harga sejumlah besar barang dan jasa yang dikonsumsi dalam suatu perekonomian. Sedangkan yang kedua adalah kata terus-menerus, artinya kenaikan harga akan berdampak secara terusmenerus bukan hanya sebentar seperti karena faktor musiman. Tingkat inflasi pada umumnya dinyatakan dalam angka persentase (%). Angka inflasi bersifat relatif dan tidak ada suatu standar yang umum. Misal ketika di di Indonesia memiliki angka inflasi sebesar 6%-7% menunjukkan inflasi masih dianggap sebagai inflasi yang
3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 571 relatif wajar meskipun tingkat inflasi tersebut relatif lebih tinggi dari pada tingkat inflasi negara-negara di kawasan regional.. Faktor Penyebab Inflasi Inflasi dapat disebabkan dari sisi permintaan, sisi penawaran, sisi ekspektasi (Suseno, 009). a. Sisi permintaan Berdasarkan penelitian yang telah dilakukan oleh Primawan W. N. tahun 01 telah membuktikan bahwa suku bunga di Indonesia, kurs Dollar Amerika (USD) tehadap Rupiah (Rp) dan jumlah peredaran uang secara luas (M) memiliki pengaruh yang signifikan terhadap inflasi di Indonesia (Nugroho, 01). b. Sisi penawaran Pada sisi penawaran, inflasi disebabkan karena naiknya biaya produksi atau biaya pengadaan barang dan jasa dapat mempengaruhi barang dan jasa yang dihasilkan. Contoh : adanya kenaikan harga minyak dunia, harga Bahan Bakar Minyak (BBM), dan Tarif Dasar Listrik. c. Ekspektasi Ekspektasi inflasi disebabkan oleh ekspektasi pelaku ekonomi yang didasarkan pada perkiraan yang akan datang akibat adanya kebijakan yang dilakukan oleh pemerintah pada saat ini..3 Dampak Inflasi Tingkat inflasi yang tinggi akan berakibat negatif terhadap perekonomian secara keseluruhan. Penurunan nilai mata uang sebagai akibat meningkatnya inflasi dampaknya tidak akan sama terhadap seluruh masyarakat. Kelompak masyarakat yang berpenghasilan tetap adalah kelompok masyarakat yang paling merasakan bagaimana dampak buruk dari tingginya inflasi, hal ini karena biaya yang dikeluarkan untuk memenuhi kebutuhan hidup semakin meningkat sedangkan uang pemasukkan tetap. 3. PERAMALAN 3.1 Pengertian Peramalan Peramalan merupakan suatu teknik untuk memperkirakan suatu kondisi atau peristiwa di waktu yang akan datang. Metode peramalan tidak dapat menjamin kebenarannya secara tepat 100%, namun pemilihan metode peramalan yang tepat akan berguna untuk mendapatkan hasil peramalan yang mendekati benar (Junaidi, 014). 3. Pengertian Peramalan Data Time Series Model Deret Waktu (time series method) merupakan teknik peramalan yang memanfaatkan sejumlah data masa lalu dalam periode waktu yang terurut seperti harian, bulanan, ataupun tahunan untuk melakukan peramalan. Teknik ini melakukan prediksi dengan asumsi bahwa masa depan adalah fungsi dari masa lalu. 4. FUZZY C-MEANS Fuzzy C-Means merupakan salah satu metode fuzzy clustering yang menggunakan partisi fuzzy sehingga titik-titik data dapat dimiliki oleh semua kelompok dengan tingkat keanggotaan yang berbeda-beda antara 0 sampai 1 (Suganya, 01). Berikut merupakan langkahlangkah clustering menggunakan Algoritma Fuzzy C-Means (Kusumadewi, 013): 1. Menentukan data set yang digunakan. Menentukan variabel awal yang meliputi jumlah cluster, pangkat, maksimum iterasi, nilai error terkecil, 3. Membangkitkan matrik partisi (μ ik, i=1,,3,,n dan k=1,,3, c). 4. Normalisasi matrik partisi 5. Hitung pusat cluster ke-k (V kj ), dimana k = 1,,3,, c jumlah cluster dan j = 1,,3,, m jumlah atribut. Dengan persamaan (1). V kj = n i=1 ((µ ik )w x ij ) n i=1(µ ik ) w (1) dimana, V kj adalah pusat cluster pada cluster ke-k dan atribut ke-j, x ij merupakan data sampel pada data ke-i, atribut ke-j, µ ik adalah elemen penyusun matrik partisi pada baris i dan kolom k, dan w adalah pembobot. 6. Hitung fungsi objektif pada iterasi ke-t (P t ). Menggunakan persamaan () n c m P t = ([ j=1 (X ij V kj )] i=1 k=1 (µ ik ) w ) () 7. Hitung perubahan matrik partisi dengan persamaan (3). µ ik = [ m (X ij V ij ) j=1 ] 1 w 1 [ m 1 c w 1 k=1 j=1(x ij V ij ) ] (3)
4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Cek kondisi terakhir : Jika : ( P t P t 1 < ɛ) atau (t > MaxIter) maka berhenti; Jika tidak : maka t=t+1, ulangi langkah ke FUZZY TIME SERIES DAN FUZZY RELATIONSHIP Fuzzy Time Series (FTS) dikembangkan oleh Song dan Chissom pada tahun Fuzzy Time Series menggunakan teori fuzzy sebagai prinsip dasar dalam melakukan peramalan. Berikut ini merupakan penjelasan singkat mengenai hal-hal yang perlu didefinisikan dalam Fuzzy Time Series (Sun, 015): Definisi 1. Misalkan diketahui himpunan semesta (U), dimana U terbagi menjadi beberapa subinterval (U = {u 1, u, u 3,, u n }) maka fuzzy set (himpunan fuzzy) dapat didefinisikan dengan persamaan (4). A = f A (u 1 ) u 1 + f A (u ) u + + f A (u n ) u n (4) dimana f A adalah fungsi keanggotaan dari fuzzy set A sehingga nilai dari f A bernilai antara 0 sampai 1. Jadi f A (u i ) bertujuan untuk menghitung nilai keanggotaan u i pada fuzzy set A. Definisi. Misal Y(t) (t=...,0,1,, ) merupakan data time series (deret waktu) dengan nilai bilangan real yang merupakan anggota himpunan semesta (U), dimana Y(t) termasuk dalam anggota dari beberapa fuzzy set f i (t). F(t) merupakan kumpulan dari fuzzy set f i (t) ( i=1,,3, ), sehingga F(t) disebut dengan Fuzzy Time Series dari data Y(t) (t=...,0,1,, ). Definisi 3. Jika terdapat F(t) hanya ditentukan berdasarkan F(t-1), maka dapat dinyatakan dengan F(t-1) F(t) disebut single-order, sedangkan jika terdapat F(t) ditentukan berdasarkan F(t-1), F(t-),, F(t-n), maka dapat representasikan dengan F(t-1), F(t-),, F(tn) F(t) dan disebut dengan nth-order fuzzy time series. Definisi 4. Jika diketahui n-faktor data untuk peramalan maka diperoleh fuzzy set F 1 (t) F (t),,f_m (t). Jika F 1(t) ditentukan berdasarkan ( F 1 (t-1), F (t-1),,f m (t-1)), (F 1 (t-), F (t- ),,F m (t-)),,(f 1(t-n), F (t-n),,f m(t-n)) maka dapat direpresentasikan dengan ( F 1(t-1), F (t-1),, F m(t-1)), (F 1(t-), F (t-),, F m (t- )),, (F 1(t-n), F (t-n),,f m(t-n)) F 1(t), maka disebut dengan m-factors nth order fuzzy time series model. 6. METODE MULTI-FACTORS HIGH ORDER FUZZY TIME SERIES DENGAN FUZZY C-MEANS Sesuai dengan penelitian sebelumnya (Lin,009) maka penelitian ini mengadopsi metode fuzzy time series yang telah digunakan oleh Song dan Chissom dengan menerapkan menggunakan Metode Multi-Factors High Order Fuzzy Time Series dengan Fuzzy C-Means untuk peramalan tingkat Inflasi di Indonesia. Diagram alur penyelesaian permasalahan pada penelitian ini ditunjukkan pada Gambar 1. Berdasarkan Gambar 1, berikut ini merupakan langkah-langkah gabungan Metode Multi-Factors High Order Fuzzy Time Series dengan Fuzzy C-Means: 1. Penentuan Universe of Discource (U) Menentukan menentukan batas bawah (D min ) dan batas atas (D max ) dari universe of discourse (U) menggunakan persamaan(5). U = [D min σ, D max + σ] (5) dimana, σ adalah standar deviasi yang dihitung menggunakan persamaan(6). σ = 1 n 1 (x i x ) n i=1 (6) dimana xi adalah data set ke-i dan x adalah rata-rata data set.. Pembentukkan Subinterval Subinterval dibentuk menggunakan metode Fuzzy C-Means untuk memperoleh pusat cluster. Sebelum mencari nilai pusat cluster, terlebih dahulu menentukan jumlah k cluster menggunakan persamaan (7). k = [ D min D max / ( n t= x(t) x(t 1) n 1 ) ] (7) Dimana k adalah jumlah cluster, n adalah jumlah data, dan x(t) adalah data pada periode t. kemudian, Pusat cluster yang diperoleh diurutkan dari data terkecil hingga terbesar kemudian dibentuk menjadi subinterval menggunakan persamaan(8). u 1 = [D min, u = [ V 1+ V u 3 = [ V + V 3 =,, V 1 + V ], V + V 3 ], (8) V 3 + V 4 ],
5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 573 u k = [ V k 1+ V k, D max ] Dimana u i adalah subinterval ke-i dan V i adalah pusat cluster ke-i (i=1,,3,,k). Mulai Data set (4-factors data), MaxIter, w, error For f= 1 to 4 Penentuan Universe of Discourse (U) Pembentukan Subinterval Pembentukan Fuzzy set Fuzzifikasi f Pembentukan Fuzzy Logic Relationship (FLR) Defuzzifikasi Hasil Peramalan Selesai Gambar 1 Diagram alur gabungan metode Multi- Factors High Order Fuzzy Time Series dengan Fuzzy C-Means 3. Pembentukkan fuzzy set Fuzzy set dibentuk menggunakan persamaan (9). A 1 = f 11 u1 + f 1 u + f 13 u3 + + f 1k uk A = f 1 u1 + f u + f 3 u3 + + f k uk = A k = f k1 u1 + f k u + f k3 u3 + + f kk uk (9) Dimana f ij menyatakan nilai keanggotaan dari subinterval ke- j (u j ) pada fuzzy set A i (i = 1,,...,k; j = 1,,...,k). Tanda + menunjukkan operator himpunan gabungan. 4. Fuzzifikasi Data sampel (x) difuzzifikasikan dengan cara menghitung nilai keanggotaan setiap data terhadap semua fuzzy set f i (x) yang telah terbentuk dalam kurva bahu. Hasil fuzzifikasi ditentukan berdasarkan nilai maksimum dari perhitungan nilai keanggotaan terhadap setiap fuzzy set f i (x). 5. Pembentukkan FLR Fuzzy Logic Relationship (FLR) terdiri dari Right Hand Side (RHS) dan Left Hand Side (LHS), dimana RHS merupakan data hasil fuzzifikasi pada periode t dan nilai hasil fuzzifikasi disebut secendent, sedangkan LHS terdiri dari deretan data hasil fuzzifikasi pada periode waktu sebelum t (t n,, t 3, t, t 1) sejumlah n-order. Misal diketahui hasil fuzzifikasi data dengan 4 faktor data sampel yang meliputi data A p, B q, C r, dan D s (P=1,,3,..,k1, Q=1,, 3,..,k, R=1,,3,..,k3, S=1,,3,..,k4). Pada periode waktu t dan akan dilakukan peramalan dengan 3-order, maka RHS adalah terdiri dari A (t,p) dan LHS terdiri dari 3 deret data sebelum periode t (t 1, t, t 3) seperti yang ditunjukan pada persamaan (10). (A (t 3, p3 ), B (t 3,q3 ), C (t 3,r3 ), D (t 3,s3 )), (A (t, p ), B (t,q ), C (t,r ), D (t,s )), (A (t 1, p), B (t 1,q1 ), C (t 1,r1 ), D (t 1,s1 )) A (t, p) (10) dimana nilai p,q,r,s pada LHS disebut antecedent sedangkan A pada RHS disebut sedentent. 6. Defuzzifikasi Tahap defuzzifikasi bertujuan untuk menghitung peramalan pada periode waktu t berdasarkan FLR yang telah dibentuk. Nilai peramalan diperoleh dengan menghitung nilai total jumlah dari selisih antara masing-masing antecedent pada FLR data latih terhadap antecedent pada FLR data uji pada urutan yang bersesuaian. Masing-masing total jumlah selisih antecedent yang dimiliki FLR data latih dibandingkan dengan nilai threshold yang telah ditentukan, dimana FLR data latih yang memiliki total selisih kurang dari threshold dihitung frekuensinya sesuai dengan nilai secendent yang sama. setelah memperoleh fekuensi secendent maka langkah selanjutnya adalah menghitung nilai peramalan dengan persamaan (11).
6 MAPE(%) MAPE(%) Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 574 r T = k1 i=1 c i x A i n j=1 f i (11) Dimana r T adalah hasil peramalan pada periode waktu ke-t, c i adalah pusat cluster ke-i, A i adalah frekuensi nilai secendent data training ke-i (i=1,,3,,k cluster), dan f i (i=1,,3,,n) adalah frekuensi FLR data latih yang terpilih. 7. PERHITUNGAN NILAI KESALAHAN Mean Absolute Percentage Error (MAPE) merupakan metode perhitungan kesalahan berdasarkan penyimpangan antara data aktual dengan data peramalan dalam ukuran persen (%). Nilai MAPE dihitung menggunakan persamaan (1) (Kristien,015). MAPE = 1 n X t F t n t=1 x 100% (1) X t Dimana, X t adalah data aktual pada periode t, F t adalah hasil peramalan pada periode t, dan n = jumlah data. Hasil peramalan masuk kategori Sangat baik jika nilai MAPE kurang dari 10% dan jika kurang dari 0% maka termasuk dalam kategori Baik (Zainun, 010). 8. DATA PENELITIAN Data set yang digunakan diperoleh dari beberapa sumber referensi diantaranya adalah data tingkat inflasi, Kurs Dollar terhadap Rupiah, Suku Bunga Indonesia diperoleh dari halaman web resmi Bank Central Indonesia pada (Bank Central Indonesia, 017), sedangkan peredaran uang secara luas diperoleh dari halaman web resmi kementrian perdagangan pada (Kementrian perdagangan, 017). Data yang digunakan berupa data time series dengan periode waktu bulanan dari Januari 007 sampai Juli 016 sehingga total jumlah data yang digunakan pada penelitian ini adalah 115 data. 9. HASIL DAN PEMBAHASAN 9.1 Pengujian Jumlah Order Terhadap Nilai MAPE Pengujian nilai order dilakukan untuk mengetahui bagaimana pengaruh jumlah order terhadap nilai MAPE hasil peramalan sehingga diperoleh jumlah order yang optimal. Pada pengujian ini menggunakan parameter yang telah ditentukan meliputi threshold = 10, Jumlah data uji = 0, Bobot =, Iterasi maksimum = 45. Pengujian dilakukan sebanyak 5 kali ,839 Pengujian Order 8,780 9,78 4,514 0,34 16,96 15,979 11,603 13,691 11, Order Gambar Grafik pengujian jumlah order terhadap nilai MAPE Gambar menunjukkan hasil pengujian bahwa semakin besar jumlah order maka nilai MAPE akan semakin kecil hal ini karena dalam pembentukkan FLR berdasarkan data dalam deret waktu sejumlah order sehingga perhitungan peramalan lebih kompleks (Lin, 009). Dalam menentukan jumlah order harus memperhatikan nilai threshold, karena semakin besar nilai order maka akan semakin tinggi nilai minimum dari jumlah selisih antara antecedent dari FLR data latih dengan FLR data uji yang bersesuaian, sehingga jika seluruh nilai jumlah selisih lebih dari nilai threshold maka peramalan tidak dapat dilakukan. Dari pengujian ini diperoleh nilai optimum dari jumlah order adalah 19 yang menghasilkan nilai MAPE 11,5%. 9. Pengujian Nilai Threshold Terhadap Nilai MAPE Pengujian nilai threshold dilakukan untuk mengetahui bagaimana pengaruh nilai threshold terhadap nilai MAPE hasil peramalan sehingga diperoleh nilai threshold yang optimal. Pada pengujian ini menggunakan parameter yang ditentukan meliputi jumlah order = 10, Jumlah data uji = 0, Bobot =, Iterasi maksimum = 45. Pengujian dilakukan sebanyak 5 kali ,4 Pengujian Threshold 1,10 19,958 13,55 16,39 18,043 14,873 16,746 1,39 18, Nilai Threshold Gambar 3 Grafik pengujian nilai threshold terhadap nilai MAPE
7 MAPE(%) MAPE(%) Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 575 Pengujian threshold dimulai dari nilai 10 hingga 300 seperti yang ditunjukkan Gambar 3 menunjukkan bahwa nilai threshold memiliki pengaruh terhadap nilai MAPE dari hasil peramalan, dimana semakin kecil nilai threshold maka hasil peramalan semakin baik, hal ini karena fungsi threshold yaitu untuk membatasi FLR data latih yang memiliki kemiripan terhadap data uji dalam perhitungan peramalan berdasarkan jumlah selisih antecedent FLR data latih dengan antecedent data uji. Semakin kecil threshold maka FLR yang terpilih semakin baik, namun dalam menentukan threshold harus memperhatikan jumlah selisih FLR data latih dengan data uji yang terkecil atau minimum karena jika nilai threshold kurang dari nilai minimum selisih antecedent maka FLR tidak ada yang terpilih dan tidak dapat dilakukan peramalan. Dari pengujian ini didapati hasil terbaik ketika nilai threshold adalah 10 yang menghasilkan nilai rata-rata MAPE sebesar 11,4%. 9.3 Pengujian Jumlah Iterasi terhadap Nilai MAPE Pengujian nilai iterasi dilakukan untuk mengetahui bagaimana pengaruh iterasi maksimum terhadap nilai MAPE hasil peramalan sehingga diperoleh iterasi maksimum yang optimal. Pada pengujian ini menggunakan parameter yang ditentukan meliputi jumlah order = 10, nilai threshold=10, Jumlah data uji= 0, Bobot =, Iterasi maksimum = 45. Pengujian dilakukan sebanyak 5 kali Pengujian Iterasi Maksimum 13,081 11,467 11,74 11,37 11,67 11,4 11,08 11,168 11,34 11, Iterasi Maksimum Gambar 4 Grafik Pengujian nilai iterasi maksimum terhadap nilai MAPE Berdasarkan pengujian yang ditunjukkan Gambar 4 diketahui bahwa dengan menggunakan iterasi maksimum bernilai 10 sampai 0 menghasilkan nilai MAPE lebih tinggi dibandingkan dengan iterasi pengujian jumlah iterasi maksimum lainnya. Sedangkan untuk pengujian iterasi maksimum dengan nilai 5 sampai dengan 55 memiliki nilai MAPE naik turun yang bervariasi namun dengan selisih jarak hasil yang tidak signifikan. Hal ini menunjukkan bahwa pada metode Fuzzy C-Means telah mendapatkan nilai pusat cluster yang terbaik pada iterasi ke-5, namun karena pada hasil pengujian iterasi maksimum ke-45 menunjukkan nilai MAPE terbaik dibandingkan dengan pengujian iterasi maksimum lainnya. 9.4 Pengujian Validasi Pengujian jumlah validasi dilakukan untuk mengetahui apakah perangkat lunak telah menghasilkan peramalan yang valid dengan cara melakukan peramalan sebanyak 10 kali dengan parameter yang tetap, dimana parameter yang digunakan merupakan nilai terbaik dari hasil pengujian sebelumnya yang meliputi: 15,0 14,5 14,0 13,5 13,0 1,5 1,0 11,5 11,0 10,5 10,0 11,170 11,556 11,55 Gambar 5 Grafik Pengujian Validasi perangkat lunak Berdasarkan pengujian yang ditunjukkan pada Gambar 5 diketahui bahwa seluruh nilai MAPE dari hasil permalan memiliki selisih jarak yang tidak jauh dimana selisih hasil terkecil yakni 11,170% dengan terbesar yakni 11,556% sebesar 0,386 % sehingga perangkat lunak yang telah diimplementasikan layak digunakan untuk peramalan tingkat inflasi di Indonesia. Hasil dari rata-rata MAPE yang dihasilkan dari pengujian ini sebesar % yang menunjukkan bahwa hasil peramalan termasuk dalam kategori bagus karena memiliki nilai MAPE kurang dari 0%. 10. KESIMPULAN Pengujian Validasi 11,500 11,187 11,506 11,1 11,77 11,95 11, Percobaan ke-i Berdasarkan hasil dari penelitian ini yakni mengimplementasikan Metode Gabungan Metode Multi-Factors High Order Fuzzy Time Series dengan Fuzzy C-Means untuk Peramalan Tingkat Inflasi di Indonesia dapat diperoleh kesimpulan sebagai berikut. 1. Untuk melakukan peramalan tingkat inflasi
8 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 576 menggunakan gabungan metode Multi- Factors High Order Fuzzy Time Series dengan Fuzzy C-Means dilakukan melalui enam proses utama yang meliputi penentuan Universe of discourse, pembentukkan subinterval berdasarkan nilai pusat cluster yang diperoleh menggunakan metode Fuzzy C-Means, pembentukkan fuzzy set, fuzzifikasi, pembentukkan Fuzzy Logic Relationship, dan Defuzzifikasi untuk menghitung hasil peramalan.. Berdasarkan hasil pengujian, maka dapat diketahui bahwa. a) Semakin besar jumlah Order maka peramalan yang dihasilkan semakin mendekati benar, begitu juga sebaliknya. b) Semakin kecil nilai Threshold maka peramalan yang dihasilkan semakin mendekati benar, begitu juga sebaliknya. c) Pada iterasi ke-5 sampai iterasi ke-55 telah diperoleh nilai MAPE dari hasil peramlan yang stabil. Dan pada iterasi ke-45 memiliki hasil rata-rata MAPE yang terbaik. d) Dari hasil pengujian validasi, hasil implementasi Metode Gabungan Metode Multi-Factors High Order Fuzzy Time Series dengan Fuzzy C- Means memperoleh hasil peramlaan yang stabil (tidak fluktuatif) sehingga secara keseluruhan fungsi hasil implementasi telah valid dengan nilai rata-rata MAPE sebesar % yang artinya hasil peramalan termasuk dalam ketegori bagus karena memiliki nilai kesalahan MAPE kurang dari 0%. DAFTAR PUSTAKA Bank Sentral Republik Indonesia, 017. BI Rate. Retrieved Maret, 017, from MathWorld-A Worfram Web Resource: Bank Sentral Republik Indonesia, 017. Kalkulator Kurs. Retrieved Maret, 017, from MathWorld-A Worfram Web Resource: alkulator-kurs/default.aspx. Bank Sentral Republik Indonesia, 017. Kerangka kebijakan moneter di Indonesia. Retrieved Maret, 017, from MathWorld-A Worfram Web Resource: erangka-kebijakan/contents. Bank Sentral Republik Indonesia, 017. Kerangka kebijakan moneter di Indonesia. Retrieved Maret, 017, from MathWorld-A Worfram Web Resource: nflasi/data/default.aspx. Fahmi, T., Sudarno., Wilandari, Y., 013. Perbandingan Metode Pemulusan Eksponensial Tunggal Dan Fuzzy Time Series Untuk Memprediksi Indeks Harga Saham Gabungan. Jurnal Gaussian. () : Jurusan Statistika FSM. Universitas Diponegoro. Junaidi., 014. Analisis Hubungan Deret Waktu Untuk Peramalan. Fakultas Ekonomi dan Bisnis. Universitas Jambi. Kementrian Perdagangan Jumlah Uang Beredar. Retrieved Maret, 017, from MathWorld-A Worfram Web Resource: Kusumadewi., S., Purnomo., H.,010. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta:Graha Ilmu. Lin Y.,Yang.,Y.,009. Stock Market Forecasting based on Fuzzy Time Series Model. IEEE CONFERENCE PUBLICATION Maulidah., S., 01. Peramalan (Forecasting) Permintaan. Lab of Agribusiness Analysis and Management, Faculty of Agriculture, Universitas Brawijaya. Nugroho., P., W., Basuki., M.,U., 01. Analisis Faktor-Faktor yang mempengaruhi Inflasi di Indonesia Periode Fakultas Ekonomik dan Bismis. Universitas Diponegoro. Silvia, E., D., Wardi, Y., 013. Analisis Pertumbuhan Ekonomi. Investasi dan Inflasi Di Indonesia. Fakultas Ekonomi. Universitas Negeri Padang. Suganya, R dan R. Shanthi. 01. Fuzzy C- Means Algorithm-A Review. International Journal of Scientific and Research
9 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 577 Publications. (11) : 1-3. Sun., B., Guo., H., Karimi., H., R., Ge., Y., Xiong., S., 015. Prediction of stock index futures prices based on fuzzy sets and multivariate fuzzy time series. Department of Engineering,Faculty of Engineering and Science. University of Agder, 4898 Grimstad, Norway Suseno., Astiyah., S., 009. Inflasi. Pusat Pendidikan dan Study Kebanksentralan (PPSK),Bank Indonesia. Zainun, N.Y.B., Rahman, I.A. and Eftekhari, M., 010. Forecasting low-cost housing demand in Johor Bahru, Malaysia using artificial neural networks (ANN). Journal of Mathematics Research, (1), pp
Peramalan Menggunakan Metode Fuzzy Time Series Cheng. Forecasting Using Fuzzy Time Series Cheng Method
Jurnal EKSPONENSIAL Volume 8, Nomor, Mei 07 ISSN 085-789 Peramalan Menggunakan Metode Fuzzy Time Series Cheng Forecasting Using Fuzzy Time Series Cheng Method Sumartini, Memi Nor Hayati, dan Sri Wahyuningsih
Lebih terperinciPERBANDINGAN METODE PEMULUSAN EKSPONENSIAL TUNGGAL DAN FUZZY TIME SERIES UNTUK MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN
PERBANDINGAN METODE PEMULUSAN EKSPONENSIAL TUNGGAL DAN FUZZY TIME SERIES UNTUK MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN SKRIPSI Oleh : TAUFAN FAHMI J2E008056 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciPeramalan Permintaan Daging Sapi Nasional Menggunakan Metode Multifactors High Order Fuzzy Time Series Model
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1764-1770 http://j-ptiik.ub.ac.id Peramalan Permintaan Daging Sapi Nasional Menggunakan Metode
Lebih terperinciPERBANDINGAN METODE RUNTUN WAKTU FUZZY-CHEN DAN DI INDONESIA
PERBANDINGAN METODE RUNTUN WAKTU FUZZY-CHEN DAN FUZZY-MARKOV CHAIN UNTUK MERAMALKAN DATA INFLASI DI INDONESIA SKRIPSI Disusun Oleh : LINTANG AFDIANTI NURKHASANAH NIM. 24010211120004 JURUSAN STATISTIKA
Lebih terperinciPERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN FUZZY TIME SERIES TERBOBOT. 1. Pendahuluan
PERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN FUZZY TIME SERIES TERBOBOT Dennis Frisca Ayudya, Dewi Retno Sari Saputro, Santoso Budi Wiyono Program Studi Matematika FMIPA UNS Abstrak. Indeks harga
Lebih terperinciImplementasi Algoritme Average Time Based Fuzzy Time Series Untuk Peramalan Tingkat Inflasi Berdasarkan Kelompok Pengeluaran
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3533-3537 http://j-ptiik.ub.ac.id Implementasi Algoritme Average Time Based Fuzzy Time Series
Lebih 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 terperinciPERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN RUNTUN WAKTU FUZZY DENGAN PARTISI INTERVAL BERDASARKAN FREKUENSI DENSITAS
PERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN RUNTUN WAKTU FUZZY DENGAN PARTISI INTERVAL BERDASARKAN FREKUENSI DENSITAS Sylvia Swidaning Putri, Winita Sulandari dan Muslich Program Studi Matematika
Lebih terperinciPERBANDINGAN METODE RUNTUN WAKTU FUZZY-CHEN DAN FUZZY- MARKOV CHAIN UNTUK MERAMALKAN DATA INFLASI DI INDONESIA
ISSN: 339-541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 015, Halaman 917-96 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN METODE RUNTUN WAKTU FUZZY-CHEN DAN FUZZY- MARKOV CHAIN
Lebih terperinciModel Peramalan Jumlah Pernikahan Menggunakan Metode Fuzzy Time Series dengan Algoritma Average Based Length pada KUA
Model Peramalan Jumlah Pernikahan Menggunakan Metode Fuzzy Time Series dengan Algoritma Average Based Length pada KUA Solikhin 1, Martono 2, Puji Nugroho 3) 1,3 Program Studi Sistem Informasi, STMIK Himsya
Lebih terperinciPERAMALAN CADANGAN DEVISA INDONESIA MENGGUNAKAN METODE GRUP VARIASI FUZZY
PERAMALAN CADANGAN DEVISA INDONESIA MENGGUNAKAN METODE GRUP VARIASI FUZZY oleh MARISA RAMDHAYANTI M0110054 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains
Lebih terperinciPENGGUNAAN METODE FUZZY TIME SERIES UNTUK MERAMALKAN HASIL PRODUKSI PADI KABUPATEN MAJALENGKA
PENGGUNAAN METODE FUZZY TIME SERIES UNTUK MERAMALKAN HASIL PRODUKSI PADI KABUPATEN MAJALENGKA Khanty Intan Lestari 1, Tine Soemartini 2, Resa Septiani Pontoh 3. Mahasiswa Program Studi Statistika Universitas
Lebih terperinciOleh : Rahanimi Pembimbing : Dr. M Isa Irawan, M.T
PERAMALAN JUMLAH MAHASISWA PENDAFTAR PMDK JURUSAN MATEMATIKA MENGGUNAKAN METODE AUTOMATIC CLUSTERING DAN RELASI LOGIKA FUZZY (STUDI KASUS di INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA) Oleh : Rahanimi
Lebih terperinciPeramalan Curah Hujan Menggunakan Metode High Order Fuzzy Time Series Multi Factors
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 3, Maret 2018, hlm. 930-939 http://j-ptiik.ub.ac.id Peramalan Curah Hujan Menggunakan Metode High Order Fuzzy Time
Lebih terperinciPERAMALAN PERSENTASE PERUBAHAN DATA INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN FUZZY TIME SERIES
PERAMALAN PERSENTASE PERUBAHAN DATA INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN FUZZY TIME SERIES Endah Puspitasari 1, Lilik Linawati 2, Hanna Arini Parhusip 3 1,2,3 Progam Studi Matematika Fakultas Sains
Lebih terperinciJURNAL TEKNIK DINTEK, Vol. 10 No. 02, September 2017 : 21-31
ANALISIS PERBANDINGAN TINGKAT AKURASI METODE AVERAGE BASED FTS MARKOV CHAIN DENGAN AUTOMATIC CLAUSTERING FTS MARKOV CHAIN DALAM PERAMALAN DATA TIMESERIES Junaidi Noh Dosen Program Study Teknik Informatika
Lebih terperinciPERAMALAN NILAI TUKAR RUPIAH TERHADAP DOLAR AMERIKA MENGGUNAKAN MODEL RUNTUN WAKTU FUZZY -RANTAI MARKOV
PERAMALAN NILAI TUKAR RUPIAH TERHADAP DOLAR AMERIKA MENGGUNAKAN MODEL RUNTUN WAKTU FUZZY -RANTAI MARKOV oleh ERIKHA AJENG CHISWARI NIM. M0111028 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciBAB 3 METODE FUZZY TIME SERIES DENGAN FAKTOR PENDUKUNG UNTUK MERAMALKAN DATA SAHAM
BAB 3 METODE FUZZY TIME SERIES DENGAN FAKTOR PENDUKUNG UNTUK MERAMALKAN DATA SAHAM 3.1 Pengertian Dasar Peramalan Peramalan (forecasting) adalah suatu kegiatan yang memperkirakan apa yang akan terjadi
Lebih terperinciPerbandingan Metode Fuzzy Time Series Cheng dan Metode Box-Jenkins untuk Memprediksi IHSG
JURNAL SAINS DAN SENI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Print) A-34 Perbandingan Metode Fuzzy Time Series Cheng dan Metode Box-Jenkins untuk Memprediksi IHSG Mey Lista Tauryawati
Lebih terperinciPERBANDINGAN MODEL CHEN DAN MODEL CHENG PADA ALGORITMA FUZZY TIME SERIES UNTUK PREDIKSI HARGA BAHAN POKOK
PERBANDINGAN MODEL CHEN DAN MODEL CHENG PADA ALGORITMA FUZZY TIME SERIES UNTUK PREDIKSI HARGA BAHAN POKOK Arif Fadhillah Mahasiswa Jurusan Teknik Informatika, Fakultas Teknik, Universitas Maritim Raja
Lebih terperinciPENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS
PENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS WULAN ANGGRAENI wulangussetiyo@gmail.com Program Studi Pendidikan Matematika Universitas Indraprasta PGRI Abstract. The purpose of this study was to
Lebih terperinciPeramalan Inflasi dengan Metode Weighted Fuzzy Time Series
Peramalan Inflasi dengan Metode Weighted Fuzzy Time Series Oleh: Dwi Ayu Lusia (1307 100 013) Pembimbing: Dr. Suhartono, M.Sc 1 seminar hasil Tugas Akhir S1 Statistika 24 Juni 2011 Latar belakang masalah
Lebih terperinciKOMPARASI KINERJA FUZZY TIME SERIES DENGAN MODEL RANTAI MARKOV DALAM MERAMALKAN PRODUK DOMESTIK REGIONAL BRUTO BALI
E-Jurnal Matematika Vol 3 (3), Agustus 04, pp. - ISSN: 303-75 KOMPARASI KINERJA FUZZY TIME SERIES DENGAN MODEL RANTAI MARKOV DALAM MERAMALKAN PRODUK DOMESTIK REGIONAL BRUTO BALI I Made Arya Antara, I Putu
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
53 BAB 4 HASIL DAN PEMBAHASAN Pembahasan pada bab ini menjelaskan mengenai hasil pengumpulan data, hasil analisis data, pembahasan dan hasil perancangan layar. Setelah hasil perancangan layar juga terdapat
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 terperinciBab II LANDASAN TEORI
Bab II LANDASAN TEORI Bab ini terdiri dari 3 bagian. Pada bagian pertama berisi tinjauan pustaka dari penelitian-penelitian sebelumnya. Pada bagian kedua diberikan teori penunjang untuk mencapai tujuan
Lebih terperinciABSTRAK. Kata kunci: IHSG, runtun waktu fuzzy, partisi interval berdasarkan frekuensi densitas. iii
ABSTRAK Sylvia Swidaning Putri. 2016. PERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN RUNTUN WAKTU FUZZY DENGAN PARTISI INTERVAL BERDASARKAN FREKUENSI DENSITAS. Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Relasi antara himpunan barisan dari data lalu diukur berdasarkan waktu untuk meramal nilai masa depan, di investigasi dengan peramalan time series, banyak alat statistika
Lebih terperinciPERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN RUNTUN WAKTU FUZZY DENGAN PARTISI INTERVAL BERDASARKAN FREKUENSI DENSITAS
PERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN RUNTUN WAKTU FUZZY DENGAN PARTISI INTERVAL BERDASARKAN FREKUENSI DENSITAS Oleh SYLVIA SWIDANING PUTRI M0111079 SKRIPSI ditulis dan diajukan untuk memenuhi
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciBAB 3 METODE PENELITIAN
10 BAB 3 METODE PENELITIAN 3.1 Metode Fuzzy Time Series yang dikembangkan oleh Song dan Chissom Song dan Chissom merupakan orang yang pertama kali memperkenalkan teori fuzzy time series yaitu dalam peramalan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN Pembahasan pada bab ini menjelaskan gambaran umum nilai tukar mata uang rupiah terhadap dolar amerika, metode penelitian, perancangan program aplikasi, rancangan perangkat lunak
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan (Forecasting) Peramalan merupakan suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan masa lalu. Esensi peramalan adalah perkiraan peristiwa-peristiwa
Lebih terperinciANALISIS METODE FIRST ORDER AND TIME INVARIANT MODEL UNTUK PERAMALAN HARGA SAHAM
ANALISIS METODE FIRST ORDER AND TIME INVARIANT MODEL UNTUK PERAMALAN HARGA SAHAM Reny Fitri Yani 1, Luh Kesuma Wardhani 2, Febi Yanto 3 Jurusan Teknik Informatika, Fakultas Sains dan Teknologi Universitas
Lebih terperinciPERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN MODEL RUNTUN WAKTU FUZZY TIGA FAKTOR
PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN MODEL RUNTUN WAKTU FUZZY TIGA FAKTOR oleh MAULIDA DWI RAHMITANINGRUM M0111054 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini membahas teori penunjang yang berhubungan dengan penerapan metode average-based fuzzy time series pada sistem peramalan jumlah penjualan distributor telur. 2.1 Peramalan Peramalan
Lebih terperinciPREDIKSI INDEKS HARGA SAHAM MENGGUNAKAN KOMBINASI ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) DAN TIME VARIANT FUZZY TIME SERIES (TVFTS)
ISSN : 255-965 e-proceeding of Engineering : Vol.2, No.2 Agustus 205 Page 684 PREDIKSI INDEKS HARGA SAHAM MENGGUNAKAN KOMBINASI ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) DAN TIME VARIANT FUZZY TIME SERIES
Lebih terperinciKata Kunci: Peramalan; metode Automatic Clustering And Fuzzy Logic Relationship Markov Chain;MAPE. 1. PENDAHULUAN
ISSN: 2528-463 PERAMALAN JUMLAH PENDAFTAR MAHASISWA BARU STMIK DUTA BANGSA SURAKARTA MENGGUNAKAN METODE AUTOMATIC CLUSTERING AND FUZZY LOGIC RELATIONSHIP MARKOV CHAIN Nurmalitasari¹ ), Sri Sumarlinda²
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini membahas tentang hal-hal yang menjadi latar belakang pembuatan tugas akhir, rumusan masalah, tujuan, batasan masalah, manfaat, metodologi penelitian serta sistematika penulisan
Lebih terperinciPeramalan Time Invariant Fuzzy Time Series Mahasiswa FT dan FKIP UMP
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Peramalan Time Invariant Fuzzy Time Series Mahasiswa FT dan FKIP UMP Harjono 1, Malim Muhammad 2, Lukmanul Akhsani 3 Universitas Muhammadiyah Purwokerto
Lebih terperinciPeramalan Beban Listrik Jangka Pendek pada Sistem Kelistrikan Jawa Timur dan Bali Menggunakan Fuzzy Time Series
Peramalan Beban Listrik Jangka Pendek pada Sistem Kelistrikan Jawa Timur dan Bali Menggunakan Fuzzy Time Series BAGUS HANDOKO 2206 100 125 Jurusan Teknik Elektro, Fakultas Teknologi Industri, ITS Surabaya
Lebih terperinciModel Average Based FTS Markov Chain untuk Peramalan Penggunaan Bandwidth Jaringan Komputer
31 Model Average Based FTS Markov Chain untuk Peramalan Penggunaan Bandwidth Jaringan Komputer Junaidi Noh, Wijono, dan Erni Yudaningtyas Abstract This paper discusses the problem of modeling the computer
Lebih terperinciPREDIKSI TINGKAT SUKU BUNGA BANK INDONESIA (BI RATE) BERDASARKAN DATA FUZZY TIME SERIES
PREDIKSI TINGKAT SUKU BUNGA BANK INDONESIA (BI RATE) BERDASARKAN DATA FUZZY TIME SERIES Oleh : Wulan Anggraeni Pendidikan Matematika, Wulangussetiyo@gmail.com ABSTRAK Tujuan dari penelitian ini adalah
Lebih terperinciPERAMALAN MENGUNAKAN FUZZY TIME SERIES CHEN (STUDI KASUS: CURAH HUJAN KOTA SAMARINDA)
PERAMALAN MENGUNAKAN FUZZY TIME SERIES CHEN (STUDI KASUS: CURAH HUJAN KOTA SAMARINDA) 1 Normalita Fauziah, 2 Sri Wahyuningsih, 3 Yuki Novia Nasution 2 1,2 Program Studi Statistika, Fakultas Matematika
Lebih terperinciPREDIKSI TINGKAT SUKU BUNGA BANK INDONESIA (BI RATE) BERDASARKAN DATA FUZZY TIME SERIES
PREDIKSI TINGKAT SUKU BUNGA BANK INDONESIA (BI RATE) BERDASARKAN DATA FUZZY TIME SERIES PREDIKSI TINGKAT SUKU BUNGA BANK INDONESIA (BI RATE) BERDASARKAN DATA FUZZY TIME SERIES ABSTRAK Oleh : Wulan Anggraeni
Lebih terperinciPenerapan Metode Smoothing Untuk Peramalan Penghasilan Retribusi Toko
ISSN: 0216-3284 1133 Penerapan Metode Smoothing Untuk Peramalan Penghasilan Retribusi Toko Muhammad Abduh Jadid, Taufiq, Rustati R. STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru jadidmuhammad@gmail.com,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Metode Peramalan Peramalan (forecasting) adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah situasi atau kondisi yang
Lebih terperinciPeramalan Suku Bunga Acuan (BI Rate) Menggunakan Metode Fuzzy Time Series dengan Percentage Change Sebagai Universe of Discourse
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 2017, hlm. 1285-1294 http://j-ptiik.ub.ac.id Peramalan Suku Bunga Acuan (BI Rate) Menggunakan Metode
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 terperinciMODEL HEURISTIC TIME INVARIANT FUZZY TIME SERIES DAN METODE ANALISIS REGRESI UNTUK PREDIKSI LABA DAN ANALISIS VARIABEL YANG MEMPENGARUHI
MODEL HEURISTIC TIME INVARIANT FUZZY TIME SERIES DAN METODE ANALISIS REGRESI UNTUK PREDIKSI LABA DAN ANALISIS VARIABEL YANG MEMPENGARUHI Tesis untuk memenuhi sebagian persyaratan mencapai derajat Sarjana
Lebih terperinciBAB 1 PENDAHULUAN. Sebagai pembuka dari penulisan skripsi, pada bab ini berisikan hal-hal yang
BAB 1 PENDAHULUAN Sebagai pembuka dari penulisan skripsi, pada bab ini berisikan hal-hal yang langsung berkaitan dengan penelitian meliputi latar belakang masalah, rumusan masalah, pembatasan masalah,
Lebih terperinciTESIS PERAMALAN HARGA SAHAM PADA LIMA EMITEN TERBAIK VERSI FORBES TAHUN 2012 MENGGUNAKAN FUZZY MODEL
TESIS PERAMALAN HARGA SAHAM PADA LIMA EMITEN TERBAIK VERSI FORBES TAHUN 2012 MENGGUNAKAN FUZZY MODEL Ana Hartanti No. Mhs.: 125001754/PS/MM PROGRAM STUDI MAGISTER MANAJEMEN PROGRAM PASCASARJANA UNIVERSITAS
Lebih terperincioleh LILIS SETYORINI NIM. M SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
PERAMALAN JUMLAH PEMINAT PROGRAM STUDI MATEMATIKA FMIPA UNS MENGGUNAKAN RUNTUN WAKTU FUZZY PADA PENENTUAN INTERVAL DENGAN METODE BERBASIS RATA-RATA DAN PENGELOMPOKAN OTOMATIS oleh LILIS SETYORINI NIM.
Lebih terperinciESTIMASI TINGKAT BI RATE
ESTIMASI TINGKAT BI RATE BERDASARKAN FAKTOR NILAI TUKAR(KURS USD/RP), JUB, INFLASI, IHSG DAN PDB MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Disusun oleh: Nama : AKHMAD KAHFI NPM :
Lebih terperinciBAB 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 terperinciDAFTAR ISI. ABSTRAK...ii. KATA PENGANTAR...iv. DAFTAR TABEL...xi. DAFTAR GAMBAR...xiii BAB I PENDAHULUAN Latar Belakang...
DAFTAR ISI ABSTRAK...ii KATA PENGANTAR...iv DAFTAR TABEL...xi DAFTAR GAMBAR...xiii BAB I PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...4 1.3 Batasan Masalah...5 1.4 Tujuan Penelitian...6
Lebih terperinciPenerapan Logika Samar dalam Peramalan Data Runtun Waktu
Penerapan Logika Samar dalam Peramalan Data Runtun Waktu Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang, Indonesia hansun@umn.ac.id Abstract Recently, there are
Lebih terperinciANALISIS REGRESI NONPARAMETRIK KERNEL DAN SAMPEL TERHAPUS-2. (Studi Kasus: Pemodelan Tingkat Inflasi Terhadap Nilai Tukar Rupiah di
ANALISIS REGRESI NONPARAMETRIK KERNEL MENGGUNAKAN METODE JACKKNIFE SAMPEL TERHAPUS-1 DAN SAMPEL TERHAPUS-2 (Studi Kasus: Pemodelan Tingkat Inflasi Terhadap Nilai Tukar Rupiah di Indonesia Periode 2004-2016)
Lebih terperinciPREDIKSI NILAI TUKAR RUPIAH MENGGUNAKAN METODE MAMDANI
PREDIKSI NILAI TUKAR RUPIAH MENGGUNAKAN METODE MAMDANI Indra Suyahya Program Studi Pendidikan Ekonomi, FIPPS Universitas Indraprasta PGRI Email: Indrasuyahya@gmail.com Wulan Anggraeni Program Studi Pendidikan
Lebih terperinciAnalisis dan Peramalan Kepadatan Jalan Raya Kodya Malang dengan FTS Average Based
14 Analisis dan Peramalan Kepadatan Jalan Raya Kodya Malang dengan FTS Average Based Anggri Sartika Wiguna Abstrak -Kemacetan saat ini menjadi persoalan serius di Kodya Malang. Berbagai penelitian yang
Lebih terperinciPREDIKSI PERMINTAAN KREDIT MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI SAMUEL ANTHONIUS MADUWU
PREDIKSI PERMINTAAN KREDIT MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI SAMUEL ANTHONIUS MADUWU 091402118 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
Lebih terperinciBreak Even Point Estimation Using Fuzzy Cluster(FCM)
Break Even Point Estimation Using Fuzzy Cluster(FCM) Stefant Cristian, Kartina Diah Kusuma W, S.T., Dadang Syarif SS, S.Si, M.Sc. Politeknik Caltex Riau Jl. Umban Sari No. 1, Phone: 0761-53939, Fax: 0761-554224
Lebih terperinciModel Hibrida ARIMA dan Fuzzy Time Series Markov Chain
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Model Hibrida ARIMA dan Fuzzy Time Series Markov Chain Dennis Frisca Ayudya, Dewi Retno Sari Saputro Program Studi Matematika Universitas Sebelas Maret
Lebih terperinciPERBANDINGAN METODE FUZZY TIME SERIES DAN HOLT DOUBLE EXPONENTIAL SMOOTHING PADA PERAMALAN JUMLAH MAHASISWA BARU INSTITUT PERTANIAN BOGOR STEVEN
PERBANDINGAN METODE FUZZY TIME SERIES DAN HOLT DOUBLE EXPONENTIAL SMOOTHING PADA PERAMALAN JUMLAH MAHASISWA BARU INSTITUT PERTANIAN BOGOR STEVEN DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:
ISSN: 2339-254 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 205, Halaman 957-966 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian PREDIKSI NILAI KURS DOLLAR AMERIKA MENGGUNAKAN EXPONENTIAL SMOOTHING
Lebih terperinciPeramalan Produksi Gula Pasir Menggunakan Fuzzy Time Series Dengan Optimasi Algoritma Genetika (Studi Kasus PG Candi Baru Sidoarjo)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2542-2548 http://j-ptiik.ub.ac.id Pe Produksi Gula Pasir Menggunakan Fuzzy Time Series Dengan
Lebih terperinciPENERAPAN METODE AUTOMATIC CLUSTERING DAN HIGH ORDER FUZZY TIME SERIES PADA PERAMALAN CURAH HUJAN. Muhammad Irsyad 1, Sonya Metarice 2
PENERAPAN METODE AUTOMATIC CLUSTERING DAN HIGH ORDER FUZZY TIME SERIES PADA PERAMALAN CURAH HUJAN Muhammad Irsyad 1, Sonya Metarice 2 Jurusan Teknik Informatika, Universitas Islam Negeri Sultan Syarif
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Produk Domestik Regional Bruto (PDRB) merupakan salah satu indikator penting untuk mengetahui kondisi ekonomi di suatu daerah dalam suatu periode tertentu, baik atas
Lebih terperinciABSTRACT. Keywords : rainfall, forecasting, fuzzy time series seasonal method
ABSTRAK Risqa Fitrianti Khoiriyah. 2016. PERAMALAN CURAH HUJAN DI STASIUN PABELAN SUKOHARJO DENGAN METODE RUNTUN WAKTU FUZZY MUSIMAN. Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Sebelas
Lebih terperinciPENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU
PENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU Romy Biri ), Yohanes A.R. Langi ), Marline S. Paendong ) ) Program Studi Matematika FMIPA Universitas Sam Ratulangi Jl.
Lebih terperinciPrediksi Suku Bunga Acuan (BI Rate) Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 1, Januari 2018, hlm. 73-80 http://j-ptiik.ub.ac.id Prediksi Suku Bunga Acuan (BI Rate) Menggunakan Metode Adaptive
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 terperinciMODEL HIBRIDA RUNTUN WAKTU FUZZY TERBOBOT-DERET FOURIER UNTUK PERAMALAN CURAH HUJAN DI DAERAH ALIRAN SUNGAI BENGAWAN SOLO
MODEL HIBRIDA RUNTUN WAKTU FUZZY TERBOBOT-DERET FOURIER UNTUK PERAMALAN CURAH HUJAN DI DAERAH ALIRAN SUNGAI BENGAWAN SOLO oleh INDIAWATI AYIK IMAYA M0111045 SKRIPSI ditulis dan diajukan untuk memenuhi
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Lia Saputri, 2016
BAB I PENDAHULUAN 1.1. Latar Belakang Foreign Exchange (forex) saat ini berkembang pesat sebagai salah satu model investasi yang menggiurkan, karena forex trading memiliki tingkat pengembalian yang tinggi.
Lebih terperinciPenerapan Metode Average-Based Fuzzy Time Series Untuk Prediksi Konsumsi Energi Listrik Indonesia
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 3, Maret 2018, hlm. 1283-1289 http://j-ptiik.ub.ac.id Penerapan Metode Average-Based Fuzzy Time Series Untuk Prediksi
Lebih terperinciSKRIPSI Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu Jurusan Informatika. Disusun Oleh: WINA ISTI RETNANI NIM.
PERBANDINGAN ALGORITMA BACKPROPAGATION LEVENBERG MARQUARDT (LM) DENGAN BACKPROPAGATION GRADIENT DESCENT ADAPTIVE GAIN (BPGD/AG) DALAM PREDIKSI JUMLAH PENGANGGURAN DI PROVINSI JAWA TENGAH SKRIPSI Diajukan
Lebih terperinciBAB I PENDAHULUAN. fiskal maupun moneter. Pada skala mikro, rumah tangga/masyarakat misalnya,
BAB I PENDAHULUAN 1.1. Latar Belakang Secara umum angka inflasi yang menggambarkan kecenderungan umum tentang perkembangan harga dan perubahan nilai dapat dipakai sebagai informasi dasar dalam pengambilan
Lebih terperinciAnalisis dan Peramalan Produksi Tanaman Teh Dengan Menggunakan Metode Indeks Musim (Studi Kasus : Propinsi Jawa Barat)
Analisis dan Peramalan Produksi Tanaman Teh Dengan Menggunakan Metode Indeks Musim (Studi Kasus : Propinsi Jawa Barat) Laporan Penelitian Peneliti : Alfa Kenedi Mainassy (672012704) Dr. Sri Yulianto. J.
Lebih terperinciPERAMALAN INFLASI DENGAN METODE WEIGHTED FUZZY TIME SERIES
PERAMALAN INFLASI DENGAN METODE WEIGHTED FUZZY TIME SERIES Dwi Ayu Lusia 1, Suhartono 2 1 Mahasiswa Program Sarjana, Jurusan Statistika FMIPA-ITS (1307 100 013), 2 Dosen Pembimbing, Jurusan Statistika
Lebih terperinciJurnal MIPA 38 (2) (2015): Jurnal MIPA.
Jurnal MIPA 38 (2) (2015): 186-196 Jurnal MIPA http://journal.unnes.ac.id/nju/index.php/jm PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN METODE FUZZY TIME SERIES MARKOV CHAIN Y Aristyani 1 E Sugiharti
Lebih terperinciBreak Even Point Estimation Using Fuzzy Cluster(FCM)
SNTIKI III 2011 ISSN : 2085-9902 1 Break Even Point Estimation Using Fuzzy Cluster(FCM) Stefant Cristian, Kartina Diah Kusuma W, S.T., Dadang Syarif SS, S.Si, M.Sc. Politeknik Caltex Riau Jl. Umban Sari
Lebih terperinciKata kunci: perubahan harga bahan bakar minyak, IHSG, fuzzy time series, soft computing, MAPE
IMPLEMENTASI METODE FUZZY TIME SERIES TERHADAP DAMPAK PERUBAHAN HARGA BAHAN BAKAR MINYAK (BBM) PADA INVESTASI SAHAM (STUDI PERISTIWA: SAHAM PADA IHSG DI BURSA EFEK INDONESIA) Budi Karyo Utomo Sistem Informasi,
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN:
PREDIKSI KURS RUPIAH TERHADAP DOLAR AMERIKA MENGGUNAKAN METODE FUZZY TIME SERIES CHEN dan HSU Wulan Anggraeni 1, Indra Suyahya 2 1 Program Studi Pendidikan Matematika, Universitas Indraprasta PGRI E-mail:
Lebih terperinciCLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN
CLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN Fitri Wulandari, Rinto Setiawan Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif
Lebih terperinciI. PENDAHULUAN. jasa. Oleh karena itu, sektor riil ini disebut juga dengan istilah pasar barang. Sisi
1 I. PENDAHULUAN A. Latar Belakang Istilah sektor riil dalam pembahasan mengenai ekonomi makro menggambarkan kondisi perekonomian dipandang dari sisi permintaan dan penawaran barang dan jasa. Oleh karena
Lebih terperinciPEDEKATAN MODEL FUZZY TIME SERIES DENGAN ANALYTIC HIERARCHY PROCESS UNTUK PERAMALAN MAHASISWA BERPRESTASI
PEDEKATAN MODEL FUZZY TIME SERIES DENGAN ANALYTIC HIERARCHY PROCESS UNTUK PERAMALAN MAHASISWA BERPRESTASI Rahmad Syah Jurusan Teknik Informatika, sekolah tinggi teknik harapan Jln. H.M Joni, Sumatera Utara,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sebuah aplikasi berupa Sistem Pendukung Keputusan (Decision Support System) mulai dikembangkan pada tahun 1970. Decision Support Sistem (DSS) dengan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kemajuan ilmu pengetahuan dan teknologi dewasa ini dapat membantu teknik peramalan suatu kejadian berdasarkan faktor faktor yang sudah diketahui sebelumnya. Hasil peramalan
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 terperinciProsiding Seminar Sains dan Teknologi FMIPA Unmul Vol. 1 No. 2 Desember 2015, Samarinda, Indonesia ISBN :
Clustering Data Status Tugas Belajar Dan Ijin Belajar Menggunakan Metode Fuzzy C-Means (Studi Kasus : Di Lingkungan Pemerintah Provinsi Kalimantan Timur) Fevin Triyas Rantika 1, Indah Fitri Astuti, M.Cs
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 terperinciPengujian Metode Fuzzy Time Series Chen dan Hsu Untuk Meramalkan Nilai Indeks Bursa Saham Syariahh Di Jakarta J Islamic Index (JII)
Pengujian Metode Fuzzy Time Series Chen dan Hsu Untuk Meramalkan Nilai Indeks Bursa Saham Syariahh Di Jakarta J Islamic Index (JII) Rizkaa Zulfikar, Prihatini Ade`Mayvita 1,2) Universitas Islam Kalimantan
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 terperinciBAB I PENDAHULUAN. Uang adalah alat pembayaran dalam transaksi jual beli barang atau jasa. Pada
BAB I PENDAHULUAN A. Latar Belakang Uang adalah alat pembayaran dalam transaksi jual beli barang atau jasa. Pada dasarnya ada dua jenis uang yang beredar di masyarakat, yaitu uang kartal dan uang giral.
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN Pada bagian ini berisi analisa peramalan konsumsi BBM Provinsi Riau, yang mana data konsumsi BBM, jumlah kendaran bermotor dan jumlah penduduk merupakan faktor yang mempengaruhi
Lebih terperinciDwi Puspitasari 1, Mustika Mentari 2, Wildan Ridho Faldiansyah 3
PENERAPAN METODE SINGLE EXPONENTIAL SMOOTHING MENGGUNAKAN PENDEKATAN ADAPTIF PADA PERAMALAN JUMLAH PELANGGAN DAN KEBUTUHAN AIR PADA PDAM KOTA PROBOLINGGO Dwi Puspitasari 1, Mustika Mentari 2, Wildan Ridho
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 terperinci