APLIKASI DATA MINING SEBAGAI PENDEKATAN PRAKTIS UNTUK MEMPREDIKSI NILAI KREDIT KONSUMEN
|
|
- Budi Sugiarto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 APLIKASI DATA MINING SEBAGAI PENDEKATAN PRAKTIS UNTUK MEMPREDIKSI NILAI KREDIT KONSUMEN Budi Santosa*, Aditya Angga Kusuma** Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo Surabaya ABSTRAK Paper ini mengaplikasikan metode Data Mining yaitu Linear Discriminant Analysis (LDA), dan Decision Tree untuk memprediksi keputusan pemberian kredit. Keputusan diterima atau tidak dicoba dengan pendekatan data mining. Jika hasilnya menyatakan diterima, selanjutnya digunakan Artificial Neural Networks (ANN) untuk meramalkan berapa besarnya pinjaman atau kredit. Untuk decision tree digunakan algoritma, Classification and Regression Tree (CART). Hasil uji yang telah dilakukan, menunjukkan bahwa CART unggul dalam memprediksi applicant yang permohonan kreditnya diterima, sedangkan untuk memprediksi applicant yang permohonan kreditnya ditolak, LDA lebih baik dari CART. ANN dengan input yang sudah dipreprocess menghasilkan tingkat error yang lebih kecil dalam memprediksi nilai nomial rupiah yang diberikan kepada debitor. Kata Kunci: Data Mining, Linear Discriminant Analysis, Decision Tree, Clasification and Regression Tree dan Artificial Neural Networks PENDAHULUAN Selama bertahun-tahun, para kreditur (pihak bank) telah menggunakan sistem penilaian kredit ( credit scoring) untuk menentukan apakah para pemohon kredit dikatakan layak untuk diberikan pinjaman atau tidak. Saat ini tidak hanya pihak bank saja yang menggunakan sistem penilaian kredit, perusahaan-perusahaan asuransi dan telekomunikasi juga telah menerapkan sistem ini untuk memutuskan apakah pinjaman atau jasa yang diharapkan oleh para konsumen dapat disetujui atau tidak. Keputusan yang diambil para pemberi pinjaman tentunya mengacu pada nilai kredit (credit score) yang telah diprediksi. Bila nilai kredit (credit score) yang dihasilkan besar, maka dapat diinterpretasikan bahwa pinjaman yang diajukan tersebut memiliki resiko yang kecil. Dengan demikian, besar kemungkinan pinjaman yang diajukan tersebut dapat diberikan. Isu-isu yang sedang berkembang dalam dunia perbankan saat ini khususnya dalam hal kredit, diantaranya adalah pihak bank mengalami kekeliruan dalam memberikan kredit kepada nasabahnya sehingga menyebabkan nasabah tersebut gagal membayar (kredit macet) dan nasabah sering tidak puas terhadap keputusan bank akan jumlah nominal pinjaman yang jauh dari permohonan yang diajukan.. Penelitian ini mencoba menawarkan kepada pihak bank suatu metode praktis yang dapat digunakan untuk mengevaluasi resiko dari permohonan aplikasi kredit dalam periode waktu tertentu, metode tersebut mampu menyediakan informasi penting yang dapat digunakan untuk membantu pihak bank dalam merumuskan strategi yang tepat untuk mengelola resiko yang dapat timbul atas pemberian kredit kepada konsumen.
2 Pada penelitian ini, Linear Discriminant Analysis dan Classification and Regression Tree (CART) diharapkan menjadi suatu metode pendekatan sederhana dalam memprediksi keputusan pemberian kredit (credit score) kepada nasabah, sehingga dapat ditentukan apakah nasabah tersebut diberikan pinjaman atau tidak. Selanjutnya untuk memprediksi berapakah nilai rupiah yang dapat diberikan kepada setiap nasabah digunakan metode Artificial Neural Networks. TINJAUAN PUSTAKA Credit Scoring Credit scoring adalah sebuah metode yang digunakan untuk mengevaluasi resiko kredit dalam aplikasi pinjaman. Dalam penggunaannya, metode ini menggunakan data historis dan teknik-teknik statistik. Credit scoring berusaha untuk mendeteksi segala efek karakteristik serta perilaku para pemohon kredit yang mungkin menyebabkan pembayaran angsuran kredit yang diajukan tidak sesuai tempo waktu yang telah disepakati (Mester, 1997). Metode ini menghasilkan sebuah score yang membuat sebuah bank dapat meranking pemohon kredit atau peminjam dengan resiko yang telah diidentifikasikan. Untuk membangun sebuah model scoring, atau scorecard, seorang analis kredit menganalisis data historis pinjaman terdahulu untuk menentukan manakah karakteristikkarakteristik yang digunakan dalam memprediksi pinjaman yang diajukan kepada bank. Sebuah model yang baik seharusnya memberikan sebuah persentasi score yang tinggi kepada peminjam, apabila pinjaman dilaksanakan dengan baik sebaliknya bagi para peminjam yang tidak melaksanakan pinjamannya dengan baik maka selayaknya diberikan score yang rendah. Kebanyakan dalam sistem scoring, sebuah score yang tinggi mengindikasikan risiko yang rendah, dan pemberi pinjaman menetapkan sebuah cutoff score berdasarkan jumlah risiko yang mungkin diterima. Sudah sepatutnya untuk model ini, pemberi pinjaman menyetujui pemohon kredit dengan score di atas cutoff dan menolak pemohon kredit dengan score di bawah cutoff. Metoda Scoring Beberapa metode-metode statistik digunakan untuk mengembangkan sistem credit scoring, antara lain linear probability models, logit, probit models dan discriminant analysis models. Metode yang pertama dari ketiga teknik statistik tersebut digunakan untuk memperkirakan kemungkinan terjadinya kegagalan pembayaran angsuran kredit berdasarkan data historis pinjaman dan karakteristik-karakteristik peminjam. Teknik ini berbeda dengan kedua teknik lainnya, linear probability models mengasumsikan ada sebuah hubungan linear antara kemungkinan kegagalan pembayaran angsuran kredit dengan banyak faktor; model Logit mengasumsikan bahwa kemungkinan kegagalan pembayaran adalah dapat didekati secara distribusi logistik; dan model Probit mengasumsikan bahwa probabilitas kegagalan pembayaran angsuran kredit merupakan sebuah distribusi normal. Discriminant Analysis membagi para peminjam ke dalam kelas-kelas yang memiliki resiko kegagalan pembayaran angsuran kredit yang tinggi dan rendah. A-14-2
3 Model Evaluasi Akurasi Untuk dapat melakukan komparasi bagi masing-masing teknik, akurasi dari masing-masing teknik harus dapat diukur. Sebuah pendekatan pengukuran akurasi yang cukup sederhana dan mudah diaplikasikan adalah confusion matrix. Di dalam confusion matriks terdapat empat sel yang harus ditentukan nilainya. Nilai-nilai ini didapat dari hasil uji model terhadap testing. Untuk lebih jelasnya dapat dilihat pada tabel 1. Tabel 1. Confusion Matrix untuk Klasifikasi Dua Kelas (Santosa, 2007) Aktual Ya (2) Tidak (1) total Prediksi Ya (2) hit (a) false alarm (b) prediksi ya Tidak (1) miss (c) correct negative (d) prediksi tidak Total Aktual ya Aktual tidak Parameter yang biasanya digunakan untuk pengukuran adalah: 1. Probability of Detection (POD), mengukur ketepatan prediksi (positif). Nilai POD berkisar dari nol hingga satu. POD bernilai satu bila secara tepat memprediksi kejadian Ya. a POD (1) a c 2. True Negative Rate (TNR), mengukur ketepatan prediksi (negative). Nilai TNR berkisar dari nol hingga satu. TNR bernilai satu bila secara tepat memprediksi Tidak. d TNR (2) d b 3. Overall Accuracy (OA), mengukur ketepatan prediksi secara keseluruhan. Nilai OA bernilai satu bila secara tepat memprediksi kejadian Ya dan Tidak. a d OA (3) a b c d METODOLOGI PENELITIAN Pada penelitian ini, digunakan dua metode pendekatan praktis dalam memprediksi keputusan pemberian kredit (model 1) yaitu Linear Discriminant Analysis (LDA), Classification and Regression Tree (CART). Selanjutnya, Artificial Neural Network (ANN) digunakan untuk memprediksi nominal rupiah yang diberikan bank kepada nasabahnya (model 2). Kedua model tersebut dikembangkan berdasarkan datadata yang telah dikumpulkan dari PT. Bank X. Pada paper ini variable yang dijadikan input atau variable independent adalah faktor-faktor yang dianggap memiliki pengaruh terhadap pemisahan karakteristik antara nasabah yang diberikan pinjaman maupun nasabah yang ditolak aplikasi kreditnya. Tabel 2 menunjukkan variable predictor yang dijadikan input dalam penelitian baik dengan data kategorikal maupun data asli. Data kategorikal adalah data asli yang dikategorikan ke dalam beberapa nilai. Dalam penelitian ini untuk model prediksi keputusan pemberian kredit konsumen disusun dua skenario untuk metode LDA dan CART: uji dengan data input yang dikategorikan dan input yang tidak dikategorikan (data asli). Untuk mengembangkan model prediksi nominal rupiah yang dapat diberikan untuk peminjam (metode ANN), terdapat enam skenario dalam pendefinisian variable A-14-3
4 predictor dan variable response. Keempat skenario yang dimaksud adalah sebagai berikut: 1. Menggunakan 14 variable predictor dengan preprocessing data dimana variable response adalah nominal rupiah. 2. Menggunakan 14 variable predictor tanpa preprocessing data dimana variable response adalah nominal rupiah. 3. Menggunakan 5 variable predictor (yang bernilai rupiah) dengan preprocessing data dimana variable response adalah nominal rupiah. 4. Menggunakan 5 variable predictor (yang bernilai rupiah) tanpa preprocessing data dimana variable response adalah nominal rupiah. Beberapa skenario yang disusun untuk tiap-tiap metode dalam penelitian ini selanjutnya dibandingkan nilai rata-rata tingkat errornya, kemudian dipilih nilai tertinggi dari rata-rata tingkat error, nilai tersebut disimpulkan sebagai rata-rata tingkat error tiap metode. Data yang didapatkan dibagi menjadi data training dan testing yang akan digunakan untuk proses training dan testing. Metode data mining yang digunakan merupakan supervised learning, dimana metode tersebut membutuhkan proses pembelajaran untuk mengenali pola data-data input yang telah diketahui labelnya (output-nya) sebelum melakukan prediksi atau klasifikasi data-data yang belum diketahui labelnya, proses pembelajaran ini disebut proses training. Proses testing atau proses validasi adalah proses prediksi data yang belum diketahui labelnya untuk dibandingkan dengan label ( output) sesungguhnya, atau dengan kata lain melakukan validasi hasil prediksi metode bersangkutan. Var.# X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 Tabel 2. Variable Predictor Variable Name Gaji Jaminan Total Jaminan Kendaraan Harga Rumah Besar Nominal Tabunga n La ma Bekerja Status Kendaraan Pendidikan Status Pribadi Tipe perusahaan Bidang Usaha Jenis pekerjaan Status Rumah tinggal Tanggungan Dalam paper ini digunakan algoritma K-Cross Validation (Santosa, 2007) dalam proses pengujian (proses training dan testing). K-Cross Validation membagi seluruh data menjadi K bagian, bila bagian yang satu menjadi data testing maka sisa bagian data yang lain menjadi data training. Dalam hal ini digunakan nilai K=4. Untuk metode LDA dan CART digunakan data input sebanyak 400 data, sedangkan untuk ANN digunakan total data input sebanyak 338 data. Ini dikarenakan dari 400 data observasi peminjam, hanya 338 peminjam yang diterima kreditnya. Dalam ANN, data input yang digunakan hanya data peminjam yang aplikasi kreditnya diterima oleh bank. A-14-4
5 HASIL EKSPERIMEN DAN ANALISIS Prediksi dengan LDA dan CART Berdasarkan hasil pengolahan data lalu dimasukkan dalam confusion matrix seperti dalam tabel 6 untuk metode CART dapat diketahui input kategorikal memiliki tingkat akurasi yang lebih tinggi bila dibandingkan skenario yang lainnya (lihat tabel 5). Tingkat akurasi (OA) yang didapatkan sebesar 80%. Skenario lainnya memiliki tingkat akurasi sebesar 80%. Namun terjadi perbedaan nilai TNR. Tabel 3. Mendefinisikan Variable Data Pemohon Kredit A-14-5
6 Tabel 4 Perbandingan Tingkat Akurasi dengan Metode CART Skenario POD TNR OA Input kategori Input asli Pengukuran tingkat akurasi untuk tiap skenario dapat diukur dengan menggunakan confusion matrix seperti tabel 4. Tabel 5. Confusion Matrix Uji CART Skenario 1 Aktual Approved (2) disapproved (1) total Approved (2) disapproved (1) Total Dari Tabel 5 terlihat terdapat 314 hit, 57 false alarm, 24 miss dan 5 correct negative. Model ini melakukan kesalahan klasifikasi approved sebanyak 24 dari total 338 (0.93) dan terdapat 57 kesalahan klasifikasi disapproved dari total 62 data disapproved. Dengan cara yang sama untuk CART dengan input data kategori didapatkan hasil seperti dalam Tabel 5. Berdasarkan hasil pengolahan data dapat diketahui bahwa input data asli memiliki tingkat akurasi yang lebih tinggi bila dibandingkan dengan input data kategori. Tingkat akurasi (OA) yang didapatkan dengan menggunakan data input asli ini sebesar 62.25%, lebih besar 7.25 % di atas tingkat akurasi sistem bila digunakan data kategori, yang nilainya adalah 55%. Perbandingan tingkat akurasi antar-skenario dapat dilihat pada tabel 6. Tabel 6. Perbandingan Tingkat Akurasi antar-skenario Metode LDA Skenario POD TNR OA Input asli Input kategori Uji CART memiliki tingkat akurasi prediksi sebesar 80%, kemampuan metode untuk memprediksi applicant yang permohonan kreditnya diterima (POD) sebesar 92.9% dan kemampuan metode untuk memprediksi applicant yang permohonan kreditnya ditolak (TNR) adalah sebesar 5%. Sedangkan LDA memiliki tingkat akurasi prediksi sebesar 62%, kemampuan metode untuk memprediksi applicant yang permohonan kreditnya diterima (POD) sebesar 68.15% dan kemampuan metode untuk memprediksi applicant yang permohonan kreditnya ditolak (TNR) adalah sebesar 34.30%. Berdasarkan pengolahan data serta uji validasi terhadap metode LDA maupun CART, dapat dipahami bahwa metode CART memiliki tingkat error yang lebih baik dibandingkan dengan LDA. Hal ini mengindikasikan bahwa CART merupakan metode terbaik dalam hal memprediksi nilai kredit konsumen (approved/disapproved). Memprediksi Nominal Rupiah yang Dapat Diberikan kepada Applicants Model prediksi yang kedua ialah model yang diharapkan mampu menghasilkan nilai nominal kredit yang berdasarkan atas metode Artificial Neural Networks. Dalam penelitian ini, penentuan jumlah hidden neuron dan layer hidden dilakukan melalui proses trial and error. Berdasarkan percobaan pada pemakaian lebih dari satu layer hidden untuk data kredit konsumen Bank X, jaringan ANN tidak dapat menurunkan A-14-6
7 Mean Square Error (MSE). Sehingga pada penelitian ini, diuji jaringan ANN multilayer dengan satu layer hidden. Berdasarkan proses pengujian trial and error diketahui bahwa komposisi terbaik untuk jumlah hidden neuron dan layer hidden secara berurutan adalah 5 dan 1. Langkah selanjutnya adalah menentukan fungsi aktivasi bagi hidden layer dan neuron output tersebut. Proses Prediksi dan Validasi Hasil Prediksi ANN Dengan menjalankan program ANN, maka untuk mengetahui performansi tiap skenario dapat digunakan Mean Square Error (MSE). Mean Square Error (MSE) untuk seluruh scenario 3 sampai 6 ditunjukkan pada tabel 7. Tabel 7 menunjukkan bahwa dengan 5 variabel prediktor prediksi kategori bsarnya nominal lebih baik dilihat dari tingkat kesalahannya. Tabel 7 Perbandingan MSE dengan Metode ANN Skenario MSE 1 (preprocess) E+17 3(preprocess) E+17 Disimpulkan bahwa untuk memprediksi besar nominal kredit yang diberikan kepada applicant, pengembangan model menggunakan 14 variable predictor dengan preprocessing data, dimana variable response adalah nominal rupiah yang diberikan oleh bank kepada nasabahnya. KESIMPULAN Uji CART memiliki tingkat error prediksi sebesar 21.25% kemampuan metode untuk memprediksi applicant yang permohonan kreditnya diterima (POD) sebesar 92.9% dan kemampuan metode untuk memprediksi applicant yang permohonan kreditnya ditolak (TNR) adalah sebesar 8.05% dimana hasil ini lebih baik dari LDA. Untuk memprediksi besar nominal kredit yang diberikan kepada applicant, model menggunakan 14 variable predictor dengan preprocessing data, dimana variable response adalah nominal rupiah yang diberikan oleh bank kepada nasabahnya, merupakan skenario terbaik. DAFTAR PUSTAKA Altman, E. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy, Journal of Finance, Vol. 23, 1968, pp Aris Sugiharto (2006). Pemrograman GUI dengan MATLAB, ANDI, Yogyakarta. Beale, R. and Jackson, T. (1990). Neural Computing: An Introduction, Institute of Physics Publishing. Budi Santosa (2007). Data Mining: Teknik Pengenalan Pola Teori dan Aplikasi, Graha Ilmu, Yogyakarta. A-14-7
8 Budi Santosa (2007). Yogyakarta. Data Mining Terapan dengan MATLAB, Garaha Ilmu, Eisenbeis, R., A. (1977): Pitfalls in the Application of Discriminant Analysis in Business, Finance and Economics. Journal of Finance, Vol. 32, 1977, pp Fisher, R., A. (1936). The Use of Multiple Measurements in Taxonomic Problems. Annals of Eugenic, Vol. 7, 1936, pp Halim, S., Rahardjo, J., Adelia, S. (1999). Model Matematik untuk Menentukan Nilai Tukar Mata Uang Rupiah terhadap Dollar Amerika, Jurnal Teknik Industri: Jurnal Keilmuan dan Aplikasi Teknik Industri, Vol. I, No. 1, hal Halim, S., Wibisono, A., M. (2000). Penerapan Jaringan Saraf Tiruan untuk Peramalan, Jurnal Teknik Industri, Vol. 2, No. 2, Desember 2000: Hand, D., J., Henley, W., E. (1997). Statistical Classification Methods in Consumer Credit Scoring, Journal of the Royal Statistical Society, Series A (Statistics in Society), Vol. 160, 1997, pp Min, J., H., Lee, Y., C. (2008). A practical approach to credit scoring, Expert Systems with Applications 35 (2008) , Republic of Korea. Mester, L., J. (1997). What s The Point of Credit Scoring?, data/publications/businessreview/1997/september-october/brso97lm.pdf, diakses tanggal 15 September Pratama, T., Iwan, B. (1999). Metode Peramalan Memakai Jaringan Saraf Buatan dengan Cara Backpropagation, Jurnal Teknologi Industri, Vol. III. No.2, hal Pociecha, J. (2005). Discriminant Methods for Bankruptcy Prediction Theory and Applications, Cracow University of Economics, Poland. Reichert, A., K., Cho., C., C., Wagner, G., M. (1983). An Examination of Conceptual Issues Involved in Developing Credit-scoring Models, Journal of Business and Economic Statistics, Vol. 1, 1983, pp Resmana, Dwi W. (1997). Prediksi Nilai Tukar Valuta Asing: Sebuah Studi Kasus Penggunaan Jaringan Syaraf Tiruan Untuk Peramalan, Edisi Pertama, Surabaya: Lembaga Penelitian dan Pengabdian Kepada Masyarakat Universitas Kristen Petra. Siswantini (2007). Studi Komparasi Metode Data Mining untuk Memprediksi Kebangkrutan Bank, Tugas Akhir S1, Teknik Industri Institut Teknologi Sepuluh Nopember, Surabaya. Zhang, J., L., Hardle, W. (2008). The Bayesian Additive Classification Tree Applied to Credit Risk Modelling, SFB 649 Discussion Paper , Berlin. A-14-8
APLIKASI DATA MINING UNTUK CHURN PREDICTION
Prosiding Seminar Nasional Manajemen Teknologi IX Program Studi MMT-ITS, Surabaya 14 Pebruari 2009 APLIKASI DATA MINING UNTUK CHURN PREDICTION Budi Santosa dan Zakki Madawvossi Jurusan Teknik Industri
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 terperinciData Mining Terapan dengan Matlab
Pendahuluan i ii Data Mining Terapan dengan Matlab Pendahuluan iii DATA MINING TERAPAN DENGAN MATLAB Oleh : Budi Santosa Edisi Pertama Cetakan Pertama, 2007 Hak Cipta 2007 pada penulis, Hak Cipta dilindungi
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam mencapai tujuan pembangunan ekonomi diperlukan peran serta lembaga keuangan untuk membiayai pembangunan tersebut. Lembaga keuangan memegang peranan penting dalam
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciPENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT
PENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT Dedy Ahmad Kurniawan 1), Danny Kriestanto 2) Teknik Informatika, STMIK AKAKOM e-mail: dedyahmad.akakom10@gmail.com 1), danny@akakom.ac.id 2) ABSTRAK
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 terperinciPENERAPAN ALGORITMA JARINGAN SYARAF TIRUAN UNTUK PREDIKSI STATUS PERMOHONAN HUTANG DAN HARGA JAMINAN HUTANG MOTOR
PENERAPAN ALGORITMA JARINGAN SYARAF TIRUAN UNTUK PREDIKSI STATUS PERMOHONAN HUTANG DAN HARGA JAMINAN HUTANG MOTOR Angga Wahyu Wibowo Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang, Indonesia
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Salah satu usaha pemerintah dalam meningkatkan taraf hidup masyarakat adalah memberdayakan peranan jasa perbankan. Bank memiliki peranan yang sangat penting dalam menunjang
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 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 terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih 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 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 terperinciPENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM Nanik Susanti 1* 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus
Lebih terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciSTUDI KOMPARASI METODE KLASIFIKASI DUA KELAS
Program Studi MMT-ITS, Surabaya Pebruari 007 STUDI KOMPARASI METODE KLASIFIKASI DUA KELAS Budi Santosa dan Devi Rosita Hanum Teknik Industri Institut Teknologi Sepuluh Nopember Email: budi_s@ie.its.ac.id,
Lebih terperinciStatistika Regresi Logistik Neural Network Deskriptif Ketepatan Klasifikasi Model dengan Input Signifikan
Statistika Regresi Logistik Neural Network Deskriptif Ketepatan Klasifikasi Model dengan Input Signifikan Predicted Predicted Actual < 3,5 3,5 Actual Tidak tepat Tepat waktu < 3,5 36 10 Tidak tepat 74
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 terperinciPENERAPAN DATA MINING KLASIFIKASI DENGAN MENGGUNAKAN ALGORITNMA C 4.5 PADA DATA NASABAH KREDIT KOPERASI SIMPAN PINJAM GRAHA MANDIRI TEGAL
PENERAPAN DATA MINING KLASIFIKASI DENGAN MENGGUNAKAN ALGORITNMA C 4.5 PADA DATA NASABAH KREDIT KOPERASI SIMPAN PINJAM GRAHA MANDIRI TEGAL Yunita Handayani Utoyo 1, Yuniarsi Rahayu 2 Univeritas Dian Nuswantoro,
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kebutuhan akan prediksi semakin meningkat pada era globalisasi saat ini sejalan dengan keinginan masyarakat khususnya pelaku bisnis untuk memberikan tanggapan
Lebih 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 terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
Lebih terperinciImplementasi 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 terperinciBAB III. METODOLOGI. kegiatan manusia membuat penelitian dengan domain teknik informatika
BAB III. METODOLOGI 3.1. Kerangka Pikir Teknik informatika yang memiliki andil yang cukup besar dalam berbagai kegiatan manusia membuat penelitian dengan domain teknik informatika merupakan hal yang menarik
Lebih 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 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 terperinciBAB 1 PENDAHULUAN. era globalisasi, di mana perdagangan mulai bersifat internasioanal. Banyak usahawan
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pada sepuluh tahun terakhir ini perekonomian negara Indonesia telah mendekati era globalisasi, di mana perdagangan mulai bersifat internasioanal. Banyak usahawan
Lebih terperinciPERAMALAN DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN SUPPORT VECTOR REGRESSION
PERAMALAN DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN SUPPORT VECTOR REGRESSION Budi Santosa, Riza Nugraha Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-31
JURNAL SAINS DAN SENI ITS Vol 4, No2, (2015) 2337-3520 (2301-928X Print) A-31 Perbandingan Performansi Metode Peramalan Fuzzy Time Series yang Dimodifikasi dan Jaringan Syaraf Tiruan Backpropagation (Studi
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Peramalan ialah memperkirakan apa yang akan terjadi masa datang (Armstrong, 2001). Peramalan merupakan alat bantu yang penting dalam suatu perencanaan. Peramalan
Lebih terperinciAPLIKASI ALGORITMA CLASSIFY-BY-SEQUENCE UNTUK PENILAIAN KREDIT PADA BANK Y. Mohammad Iqbal 1. Abstrak
APLIKASI ALGORITMA CLASSIFY-BY-SEQUENCE UNTUK PENILAIAN KREDIT PADA BANK Y Mohammad Iqbal Jurusan Matematika, FMIPA-Institut Teknologi Sepuluh Nopember iqbalmohammad.math@gmail.com Abstrak Dalam penilaian,
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Dewasa ini kebutuhan masyarakat akan kredit merupakan hal yang tidak asing. Menyadari bahwa kegiatan kredit pada masyarakat umum semakin meningkat, maka perlu
Lebih terperinciKLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
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 terperinciJurnal Fisika Unand Vol. 2, No. 4, Oktober 2013 ISSN
PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN BEBERAPA FUNGSI PELATIHAN BACKPROPAGATION (Studi Kasus: Stasiun Meteorologi Tabing Padang, Tahun 2001-2012) Cici Oktaviani, Afdal
Lebih terperinciMODEL KLASIFIKASI KELAYAKAN KREDIT KOPERASI KARYAWAN DENGAN ALGORITMA DECISION TREE
MODEL KLASIFIKASI KELAYAKAN KREDIT KOPERASI KARYAWAN DENGAN ALGORITMA DECISION TREE Putri Kurnia Handayani Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box
Lebih terperinciPREDIKSI NILAI UJIAN NASIONAL PRODUKTIF SEKOLAH MENENGAH KEJURUAN MENGGUNAKAN METODE NEURAL NETWORK
Techno.COM, Vol. 14, No. 1, Februari 15: 33-41 PREDIKSI NILAI UJIAN NASIONAL PRODUKTIF SEKOLAH MENENGAH KEJURUAN MENGGUNAKAN METODE NEURAL NETWORK Winarto Utomo SMK Negeri 1 Pringapus Jatirunggo Kecamatan
Lebih terperinciMETODOLOGI PENELITIAN
digilib.uns.ac.id BAB III METODOLOGI PENELITIAN 3.1 Studi Literatur Studi ini dilakukan dengan cara mencari dan membaca berbagai literatur serta karya-karya penelitian mengenai topik penelitian yang sudah
Lebih terperinciPerancangan Model Sistem Prediksi Nilai Tukar Rupiah terhadap Dollar Amerika Menggunakan Jaringan Syaraf Tiruan QuickPropagation
ISSN : 3-36 e-proceeding of Engineering : Vol., No. Desember 4 Page 764 Perancangan Model Sistem Prediksi Nilai Tukar Rupiah terhadap Dollar Amerika Menggunakan Jaringan Syaraf Tiruan QuickPropagation
Lebih terperinciPREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) Supriyanto 1, Sudjono 2, Desty Rakhmawati 3 ( 1,2. UNSOED Purwokerto, 3. STMIK
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciPREDIKSI HARGA SAHAM PERUSAHAAN KELAPA SAWIT MENGGUNAKAN PEMODELAN MLP DAN RBF
PRDIKSI HARGA SAHAM PRUSAHAAN KLAPA SAWIT MNGGUNAKAN PMODLAN MLP DAN RBF Linda Sari Dewi Program Studi Sistem Informasi STMIK Nusa Mandiri Jakarta Jl. Damai No. 8 Warung Jati Barat (Margasatwa) Jakarta
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 terperinciANALISA NILAI UJIAN MASUK STT WASTUKANCANA BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN METODE BACKPROPAGATION
ANALISA NILAI UJIAN MASUK STT WASTUKANCANA BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN METODE BACKPROPAGATION Program Studi Teknik Informatika STT Wastukancana Jl. Raya Cikopak No.53, Sadang, Purwakarta
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Beredarnya iklan penawaran kepemilikan kendaraan sepeda motor yang cukup menarik dengan menawarkan berbagai syarat kemudahan pembayaran membuat bagi sebagian orang
Lebih terperinciANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM)
ANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM) Hanura Ian Pratowo¹, Retno Novi Dayawati², Agung Toto Wibowo³ ¹Teknik Informatika,,
Lebih terperinciMODEL KLASIFIKASI KELAYAKAN KREDIT KOPERASI KARYAWAN BERBASIS DECISION TREE
MODEL KLASIFIKASI KELAYAKAN KREDIT KOPERASI KARYAWAN BERBASIS DECISION TREE Rina Fiati 1, Putri Kurnia Handayani 2 1 Program Studi Teknik Informatika, Fakultas Teknik, Universitas Muria Kudus Gondangmanis,
Lebih terperinciBAB 3 METODE PENELITIAN
31 BAB 3 METODE PENELITIAN 3.1 Pengumpulan Data (Data gathering). Pengumpulan data harus mampu mendeskripsikan data yang ada, serta memiliki kontribusi terhadap pengetahuan. Data yang tidak lengkap perlu
Lebih terperinciPREDIKSI TINGKAT INFLASI DI INDONESIA BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA. Rita Rismala 1, Said Al Faraby 2
PREDIKSI TINGKAT INFLASI DI INDONESIA BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA Rita Rismala 1, Said Al Faraby 2 1,2 Prodi S1 Informatika, Fakultas Informatika, Universitas Telkom 1 ritaris@telkomuniversity.ac.id,
Lebih terperinciPERFORMANSI MODEL-MODEL CREDIT SCORING PADA DATA DEBITUR KREDIT PRODUKTIF PT. BANK X
PERFORMANSI MODEL-MODEL CREDIT SCORING PADA DATA DEBITUR KREDIT PRODUKTIF PT. BANK X Astri Afrilia Universitas Padjadjaran Program Pendidikan Magister Program Studi Statistika Terapan, Konsentrasi Statistika
Lebih terperinci1. BAB I PENDAHULUAN 1.1 Latar Belakang
1. BAB I PENDAHULUAN 1.1 Latar Belakang Indonesia menganut ekonomi terbuka, jadi pertumbuhan ekonomi Indonesia dipengaruhi pertumbuhan ekonomi Internasional. Oleh karena itu, jika terjadi fluktuasi pada
Lebih terperinciPerbandingan Hasil Peramalan dengan Metode Double Exponential Smoothing Holt dan Metode Jaringan Syaraf Tiruan
Perbandingan Hasil Peramalan dengan Metode Double Exponential Smoothing Holt dan Metode Jaringan Syaraf Tiruan Oki Dwi Hartanti Departemen Biostatistika dan Kependudukan Fakultas Kesehatan Masyarakat Universitas
Lebih terperinciPEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK
PEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK Bilqis Amaliah 1, Amethis Oktaorora 2 1,2 Teknik Informatika, FTIf - ITS,Surabaya
Lebih terperinciPENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 161-170 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS CREDIT SCORING MENGGUNAKAN METODE BAGGING K-NEAREST
Lebih terperinciAchmad Fauqy Ashari Supervisor: Wiwik Anggraeni S.Si, M.Kom Ahmad Mukhlason S.Kom, M.Sc
Achmad Fauqy Ashari 5208100150 Supervisor: Wiwik Anggraeni S.Si, M.Kom Ahmad Mukhlason S.Kom, M.Sc Sistem Informasi - FTIf - 2012 Tujuan dari tugas akhir ini adalah pengembangan prototipe sistem cerdas
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN:
KAJIAN KOMPARASI ALGORITMA C4.5, NAÏVE BAYES DAN NEURAL NETWORK DALAM PEMILIHAN PENERIMA BEASISWA (Studi Kasus pada SMA Muhammadiyah 4 Jakarta ) Ulfa Pauziah Program Studi Teknik Informatika, Universitas
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Persaingan dalam dunia bisnis, terlebih lagi bagi perusahaan besar, tidak lepas dari adanya proses jual beli saham. Saham secara umum merupakan surat berharga yang dapat
Lebih terperinciPREDIKSI RENTET WAKTU PEMASARAN PRINTER CANON MENGGUNAKAN NEURAL NETWORK DAN K-NEAREST NEIGHBOR. Ihsanul Fikri, S.Kom, K.Kom
Technologia Vol 7, No.1, Januari Maret 2016 51 PREDIKSI RENTET WAKTU PEMASARAN PRINTER CANON MENGGUNAKAN NEURAL NETWORK DAN K-NEAREST NEIGHBOR Ihsanul Fikri, S.Kom, K.Kom (fiqrie.bjm@gmail.com) Abstrak
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 terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-403
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 201-9271 A-0 Implementasi Fuzzy Neural Network untuk Memperkirakan Jumlah Kunjungan Pasien Poli Bedah di Rumah Sakit Onkologi Surabaya Ani Rahmadiani dan Wiwik
Lebih terperinciBAB II TINJAUAN PUSTAKA. keadaan ekonomi, seperti halnya penelitian ini yang menggunakan metode Neural
BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terdahulu Neural Network banyak dipakai sebagai metode perhitungan prediksi suatu keadaan ekonomi, seperti halnya penelitian ini yang menggunakan metode Neural Network
Lebih terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Akhir-akhir ini kita banyak mendengar banyak berita bahwa Perusahaan Listrik Negara (PLN) mengalami kerugian yang sangat besar setiap tahunnya yang disebabkan faktor-faktor
Lebih terperinciPERENCANAAN MANHOURS C-CHECK MAINTENANCE PADA UNIT BASE MAINTENANCE PT. GMF AEROASIA
JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2010 1 TUGAS AKHIR PERENCANAAN MANHOURS C-CHECK MAINTENANCE PADA UNIT BASE MAINTENANCE PT. GMF AEROASIA
Lebih terperinciPERMALAN HARGA GARAM KONSUMSI MENGGUNAKAN ARTIFICIAL NEURAL NETWORK FEEDFORWARD- BACKPROPAGATION (STUDI KASUS : PT. GARAM MAS, REMBANG, JAWA TENGAH)
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-308 PERMALAN HARGA GARAM KONSUMSI MENGGUNAKAN ARTIFICIAL NEURAL NETWORK FEEDFORWARD- BACKPROPAGATION (STUDI KASUS : PT. GARAM
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 terperinciProsiding Statistika ISSN:
Prosiding Statistika ISSN: 2460-6456 Pemilihan Variabel Prediktor Terbaik dalam Pemodelan Regresi Logistik untuk Data Pembayaran Kartu Kredit Best Predictor Variables Selection in Logistic Regression Modeling
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciPrediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov
JURNAL SAINS DAN SENI POMITS Vol. 6, No.2, (2017) 2337-3520 (2301-928X Print) A 39 Prediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov Risa Septi Pratiwi Daryono Budi Utomo Jurusan
Lebih terperinciPemodelan Faktor-faktor yang Mempengaruhi Prestasi Mahasiswa Pasca Sarjana ITS dengan Regresi Logistik dan Neural Network
Pemodelan Faktor-faktor yang Mempengaruhi Prestasi Mahasiswa Pasca Sarjana ITS dengan Regresi Logistik dan Neural Network 1 Wijdani Anindya Hadi (1) dan Dr. Suhartono, S.Si. M.Sc (2) Statistika, FMIPA,
Lebih terperinciPREDIKSI ANGKA PARTISIPASI SEKOLAH DI JAWA TENGAH UMUR TAHUN DENGAN METODE JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK
PREDIKSI ANGKA PARTISIPASI SEKOLAH DI JAWA TENGAH UMUR 16-18 TAHUN DENGAN METODE JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK R. Mh. Rheza Kharis *), R. Rizal Isnanto, and Ajub Ajulian Zahra Jurusan Teknik
Lebih terperinciPREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION
JIMT Vol. 4 No. Juni 207 (Hal 47-55) ISSN : 2450 766X PREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION J.R. Mustakim, R. Ratianingsih 2 dan D. Lusiyanti 3,2,3 Program Studi
Lebih terperinciPREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA C4.5 BERBASIS FORWARD SELECTION
PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA C4.5 BERBASIS FORWARD SELECTION Hamsir Saleh Hamsir.saleh@gmail.com Fakultas Ilmu Komputer Universitas Ichsan Gorontalo Abstrak Memprediksi kebangkrutan
Lebih terperinciPerbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik
Perbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik Imam Sutoyo AMIK BSI JAKARTA e-mail: imam.ity@bsi.ac.id Abstrak - Klasifikasi peserta didik merupakan kegiatan yang sangat penting
Lebih terperinciBAB 5 KESIMPULAN, KEKURANGAN PENELITIAN DAN SARAN. Dari hasil pengujian peramalan dengan menggunakan metode Fuzzy Mamdani
BAB 5 KESIMPULAN, KEKURANGAN PENELITIAN DAN SARAN 5. 1 Kesimpulan Dari hasil pengujian peramalan dengan menggunakan metode Fuzzy Mamdani dan bantuan software Matlab, dapat diambil beberapa kesimpulan sebagai
Lebih terperinciPembentukan Model Credit Scoring Dengan Menggunakan Metode Bayesian Network: Studi Kasus Permohonan Aplikasi Kredit Pemilikan Rumah (KPR)
Pembentukan Model Credit Scoring Dengan Menggunakan Metode Bayesian Network: Studi Kasus Permohonan Aplikasi Kredit Pemilikan Rumah (KPR) Frendy 1, Isti Surjandari 2 Industrial Engineering Department Universitas
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
Lebih terperinci1. Pendahuluan 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Perkembangan teknologi sekarang ini semakin pesat. Kebutuhan akan informasi dan komunikasi bertambah. Telah ditemukan berbagai perangkat teknologi yang memudahkan manusia
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 terperinciAPLIKASI PREDIKSI KELULUSAN MAHASISWA DENGAN METODE LINEAR DISCRIMINANT ANALYSIS
APLIKASI PREDIKSI KELULUSAN MAHASISWA DENGAN METODE LINEAR DISCRIMINANT ANALYSIS Sulistio PT Adicipta Inovasi Teknologi (AdIns) Jakarta email : sulistio.workmail@gmail.com Abstrak Aplikasi Prediksi Status
Lebih terperinciIDENTIFIKASI PEMBUAT TULISAN TANGAN MENGGUNAKAN HAAR WAVELET DAN ALGORITMA PROPAGASI BALIK LEVENBERG MARQUARDT
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2011 IDENTIFIKASI PEMBUAT TULISAN TANGAN MENGGUNAKAN HAAR WAVELET DAN ALGORITMA PROPAGASI BALIK LEVENBERG MARQUARDT Rizky Suslianto¹, Sri Widowati², Bedy
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
Lebih terperinciOleh : Agus Sumarno Dosen Pembimbing : Drs. Daryono Budi Utomo, M.Si
APLIKASI WAVELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES APPLICATION Of WAVELET RECURRENT NEURAL NETWORK FOR TIME SERIES DATA PREDICTION Oleh : Agus Sumarno 1206 100 706 Dosen Pembimbing
Lebih terperinciBAB I PENDAHULUAN. basis data dan mengubahnya menjadi informasi yang berguna. Metode data
BAB I PENDAHULUAN 1.1 Latar Belakang Data-data pinjaman yang tersimpan pada Koperasi XYZ yang selama ini hanya dijadikan arsip koperasi sebenarnya dapat dimanfaatkan menjadi sesuatu yang lebih berguna.
Lebih terperinciPREDIKSI ANGKA PARTISIPASI SEKOLAH DI JAWA TENGAH UMUR TAHUN DENGAN METODE JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK
PREDIKSI ANGKA PARTISIPASI SEKOLAH DI JAWA TENGAH UMUR 16-18 TAHUN DENGAN METODE JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK R.Mh.Rheza Kharis *), R. Rizal Isnanto, Ajub Ajulian Zahra Jurusan Teknik Elektro,
Lebih terperinciAbstract
ANALISIS PENERAPAN ARTIFICIAL NEURAL NETWORK DALAM PENENTUAN BIDANG KOMPETENSI SKRIPSI MAHASISWA (STUDI KASUS DI PROGRAM STUDI TEKNIK INFORMATIKA STMIK NURDIN HAMZAH JAMBI) 1,2,3 Magister Ilmu Komputer,
Lebih terperinciOleh : Mochammad Taufan ( ) DOSEN PEMBIMBING: Prof. Drs. Nur Iriawan, M.Ikom,Ph.D
Pemodelan Early Warning System sebagai Penilai Tingkat Kesehatan Finansial Calon Nasabah dengan Metoda Binary Regresi Logistik Studi Kasus : Bank X Surabaya Branch Oleh : Mochammad Taufan (9107.205.309)
Lebih terperinciANALISIS DETERMINAN NON PERFORMING FINANCING BANK SYARIAH DI INDONESIA MENGGUNAKAN ARTIFICIAL NEURAL NETWORK. Hantoro Ksaid Notolegowo 1
ANALISIS DETERMINAN NON PERFORMING FINANCING BANK SYARIAH DI INDONESIA MENGGUNAKAN ARTIFICIAL NEURAL NETWORK Hantoro Ksaid Notolegowo 1 Fakultas Ekonomika dan Bisnis Universitas Diponegoro Semarang 1 Email:
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciBAB I PENDAHULUAN. yang merupakan keuntungan perusahaan yang dibagikan kepada semua pemegang
BAB I PENDAHULUAN 1.1 Latar Belakang Ekspektasi atau motivasi setiap investor adalah mendapatkan keuntungan dari transaksi investasi yang dilakukan. Para investor yang bertransaksi di pasar modal, khususnya
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 terperinciApplication Determination Of Credit Feasibility in Sharia Cooperative
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2016, pp. 555~560 Application Determination Of Credit Feasibility in Sharia Cooperative 555 Dibjo Marginato AMIK BSI Tangerang Email: dibjomgo@gmail.com
Lebih terperinciKLASIFIKASI KELAYAKAN KREDIT CALON DEBITUR BANK MENGGUNAKAN ALGORITMA DECISION TREE C4.5
KLASIFIKASI KELAYAKAN KREDIT CALON DEBITUR BANK MENGGUNAKAN ALGORITMA DECISION TREE C4.5 CLASSIFICATION OF DEBITOR`S BANK CREDITWORTHINESS USING DECISION TREEC4.5 ALGORITHM Heri Hidayanto 1, Achmad Wahid
Lebih terperinci