2. Adanya resiko pemumpukan barang pada gudang.
|
|
- Yuliani Tedja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB 3 PROSEDUR DAN METODOLOGI 3.1. Analisis Masalah Deskripsi Masalah Pemenuhan keinginan atau permintaan pasar merupakan hal yang krusial bagi setiap perusahaan. Perusahaan yang siap berkompetisi harus dapat melakukan analisa terhadap keinginan pasar dan kemudian dengan cepat merespon permintaan tersebut. Hal ini berlaku pula pada PT. Kompas Gramedia merupakan perusahaan penerbitan buku terkemuka di Indonesia. Berdasarkan pada hasil wawancara yang telah dilakukan, maka masalah yang dihadapi oleh PT. Kompas Gramedia dapat dirangkum sebagai berikut: 1. PT. Kompas Gramedia memiliki kesulitan untuk mengikuti kecepatan dalam merespon permintaan pelanggannya. Proses produksi atau pencetakan dari suatu jenis buku memakan waktu yang tidak singkat, sehingga merupakan hal yang sulit apabila proses produksi barang dilakukan setelah permintaan muncul terlebih dulu. Jika keterlambatan dalam pemenuhan permintaan ini kerap kali terjadi, perusahaan dapat saja kehilangan kepercayaan dari masyarakat. 2. Adanya resiko pemumpukan barang pada gudang. Apabila PT. Kompas Gramedia melakukan produksi tanpa menghiraukan permintaan masyarakat di masa yang akan datang, maka PT. Kompas Gramedia akan dihadapkan pada resiko terjadinya penumpukan barang pada gudang yang berarti akan menambah biaya 44
2 45 kembali. Ini berarti waktu dan biaya yang telah dikeluarkan akan terbuang secara percuma. 3. Sistem prediksi yang digunakan PT. Kompas Gramedia saat ini memberikan hasil yang kurang akurat. Saat ini, PT. Kompas Gramedia menggunakan cara prediksi sederhana yaitu dengan menghitung rata-rata penjualan masing-masing produk setiap bulannya dengan menggunakan deret ukur untuk menangani permintaan produk dalam kurun waktu tertentu. Sayangnya cara yang digunakan tersebut sering kali memberikan angka prediksi yang kurang akurat. Jika sebenarnya pada data historis terdapat sebuah pola yang dapat membentuk sebuah alur tertentu, cara ini belum memanfaatkannya. Namun, perlu disadari bahwa prediksi bukanlah hal yang dapat dilakukan dengan mudah. Prediksi yang dihasilkan oleh pendapat seorang ahli dengan ahli lainnya bisa saja berbeda dikarenakan adanya perbedaan dalam memahami pola permintaan suatu produk. Oleh karena itu, dibutuhkan suatu cara yang lebih pasti dalam melakukan prediksi Alternatif Pemecahan Masalah Berdasarkan deskripsi masalah yang telah dijabarkan di atas, maka solusi yang dapat ditawarkan adalah suatu sistem yang dapat memberikan ketepatan prediksi yang lebih akurat dan dapat diandalkan. Terdapat beberapa metode yang dapat digunakan dalam rangka melakukan prediksi data kontinu. Beberapa diantaranya menjanjikan
3 46 ketepatan yang cukup baik seperti metode regresi linier, Neural Network (NN), dan Support Vector Regression (SVR). Setelah melakukan pengumpulan informasi, penulis memilih menggunakan metode Support Vector Regression. Sebelumnya Tay dan Cao (2001) telah melakukan sejumlah percobaan dan menyimpulkan bahwa Support Vector Machine untuk kasus regresi atau yang sering disebut dengan Support Vector Regression memiliki hasil yang menjanjikan dibandingkan dengan Back Propagation Neural Network dalam bidang prediksi data finansial time series Metodologi Sebuah prediksi tidak dapat ditetapkan secara kebetulan semata, data merupakan hal yang paling utama untuk menentukan sebuah prediksi. Ketersediaan data akan membantu merepresentasikan kondisi yang ada. Pola dari data yang ada tersebut akan memperlihatkan sebuah alur, sehingga apabila dipelajari akan dapat membantu untuk memperkirakan alur selanjutnya. Alur dari data itu saling berkesinambungan sehingga dengan adanya kumpulan informasi data yang cukup, suatu model prediksi dapat dibuat. Pada Support Vector Regression, data data yang ada dibagi menjadi beberapa bagian dan diberikan pelatihan terlebih dahulu sehingga dapat menghasilkan sebuah model prediksi. Model prediksi yang ada kemudian divalidasi untuk memastikan keakuratan dari model prediksi yang dihasilkan. Proses untuk menghasilkan model prediksi itu dapat digambarkan dalam diagram aliran seperti yang ditunjukkan pada Gambar 3.1.
4 Gambar 3.1 Diagram Aliran untuk Menghasilkan Model Prediksi 47
5 48 1. Menentukan Set Data Sebelum melakukan proses prediksi, data yang dipergunakan harus dipersiapkan terlebih dulu. Data yang disiapkan merupakan data yang memiliki kualitas yang baik. Kualitas baik yang dimaksudkan di sini adalah data harus relevan dengan kondisi saat ini. Hal ini akan mempermudah proses prediksi serta meningkatkan efisiensi waktu dan menghasilkan hasil prediksi yang baik. Oleh karena itu, data yang ada sebelumnya sebaiknya telah mengalami proses data cleaning, artinya dari data mentah dilakukan proses pengeliminasian data data yang dianggap mempunyai nilai yang akan mengganggu keakuratan prediksi seperti data yang memiliki informasi yang kurang lengkap hingga data yang bersifat tidak normal, seperti data penjualan pada waktu tertentu yang memiliki nilai jauh di atas rata-rata. Kesatuan dari seluruh data yang telah dikumpulkan ini disebut dengan set data. Dalam kasus ini, set data yang digunakan adalah data satuan waktu bulan dari tahun 2008 sampai dengan 2010, dengan mengacu pada jumlah pembelian. Yang akan dicontohkan di dalam kasus ini adalah jumlah pembelian yang digunakan berdasarkan produk CD Bebi Ayo Bergembira. Set data ini nantinya akan digunakan dalam perhitungan pada diagram prediksi yang berguna sebagai acuan dalam menentukan nilai prediksi sebenarnya.
6 49 Tabel 3.1 Set Data Berdasarkan Produk CD Bebi Ayo Bergembira Tahun Bulan Jumlah Penjualan
7 Jumlah penjualan dari tabel set data tersebut didapatkan dari rata rata jumlah penjualan per bulan. Hal ini dimaksudkan untuk mempermudah melihat alur atau pola dari pergerakan data per bulan. Berikut tampilan grafik yang dihasilkan dari tabel set data di atas dengan jumlah set data yang dimiliki sebanyak 28 buah data: CD Bebi Ayo Bergembira Jumlah Penjualan Feb 08 Mar 08 Apr 08 May 08 Jun 08 Jul 08 Aug 08 Sep 08 Oct 08 Nov 08 Dec 08 Jan 09 Feb 09 Mar 09 Apr 09 May 09 Jun 09 Jul 09 Aug 09 Sep 09 Oct 09 Nov 09 Dec 09 Jan 10 Feb 10 Mar 10 Apr 10 May 10 Bulan Gambar 3.2 Plot Set Data CD Bebi Ayo Bergembira
8 51 2. Membagi Set Data Pada tahapan ini, set data akan dibagi menjadi dua buah bagian, yaitu set training dan set validasi: a. Set Training Merupakan pembagian dari set data yang fungsinya untuk digunakan sebagai data acuan dalam memprediksi. Set training ini memerlukan jumlah data yang cukup banyak, hal ini dimaksudkan untuk memperbesar keakurasian data yang nantinya akan dihasilkan. Semakin banyak set data training yang disediakan akan semakin baik dan semakin stabil data yang dihasilkan Pada kasus ini set training menggunakan variabel X untuk menunjukkan waktu dan variabel Y untuk jumlah penjualan. Set training diambil sebanyak 70% dari total set data yang artinya 20 buah data dari total 28 set data. Dalam kasus ini, data set training yang dipakai adalah data mulai tahun 2008 bulan 2 sampai tahun 2009 bulan 9. Tabel 3.2 Set Training Berdasarkan Produk CD Bebi Ayo Bergembira Tahun Bulan Jumlah Penjualan
9 b. Set Validasi Data validasi ini merupakan pembagian dari set data yang digunakan untuk menghitung keakurasian prediksi yang telah dilakukan pada saat menggunakan data training. Hasil data validasi prediksi akan di bandingkan dengan hasil yang sudah ada sebenarnya, untuk mengetahui apakah variabel variabel yang sudah didapat menunjukkan hasil yang maksimal. Dengan membandingkan dengan data sebenarnya akan dapat dilihat kesalahan atau tingkat akurasi dari perhitungan prediksi yang dilakukan pada saat prediksi. Set training diambil sebanyak 30% dari total data set yang artinya 8 buah data dari total 28 set data. Dalam kasus ini, data set training yang dipakai adalah data mulai tahun 2009 bulan 10 sampai tahun 2010 bulan 5.
10 53 Tabel 3.3 Set Validasi Berdasarkan Produk CD Bebi Ayo Bergembira Tahun Bulan Jumlah Penjualan Selain mempersiapkan kedua data tersebut, terdapat pula data set testing yaitu set data sejumlah n buah yang akan digunakan untuk prediksi dengan inputan berupa data X (satuan waktu). Sehingga setelah sukses membentuk variabel variabel yang mempunyai akurasi yang bagus dan menghasilkan model prediksi yang baik barulah set testing ini dipergunakan untuk menghasilkan jawaban prediksi. Dalam kasus ini akan diramalkan jumlah penjualan dari judul buku CD Bebi Ayo Bergembira untuk tahun 2010 bulan 6 hingga bulan 10. Dalam metode yang dipergunakan ini, disarankan untuk tidak melakukan prediksi terhadap kurun waktu yang terlalu jauh, karena data historis yang dipergunakan saat ini dapat saja kurang relevan lagi di masa yang akan datang sehingga kemungkinan tingkat kesalahan prediksi akan semakin besar. Oleh karena itu, kurun waktu prediksi dibatasi hingga 6 bulan ke depan untuk mengantisipasi kesalahan prediksi yang mungkin terjadi.
11 54 Tabel 3.4 Set Testing Berdasarkan Produk CD Bebi Ayo Bergembira Tahun Bulan Jumlah Penjualan ??? 7??? 8??? 9??? 10??? 3. Pengaturan Parameter Input Setelah menyiapkan data set training dan set validasi, tahap selanjutnya yaitu menentukan nilai nilai awal untuk variabel atau feature seperti kernel, e, loss-function, C. Setiap parameter ini memiliki ciri khas yang sendiri sendiri yang antara satu sama lain akan berkaitan dan saling mempengaruhi. Hal ini berguna untuk mendapatkan model prediksi terbaik. Perubahan pada nilai parameter-parameter ini akan mengubah model prediksi itu sendiri, oleh karena itu, jika pada tahap selanjutnya ternyata akurasi yang diperoleh masih rendah, pengaturan parameter dapat dilakukan kembali untuk menghasilkan model prediksi yang lebih baik. a. Kernel Terdapat beberapa tipe kernel yang sering dijumpai dan setiap tipe kernel tersebut akan menghasilkan nilai output yang berbeda. Dalam kasus penjualan ini, kernel yang digunakan sebagian besar untuk percobaan adalah linear dan radial basis function (RBF). Hal yang perlu diperhatikan dalam memilih kernel yaitu: Kesesuaian pemilihan kernel dengan permasalahan yang ada
12 55 Hal yang dimaksud di sini adalah penggunaan kernel harus disesuaikan dengan permasalahan yang dijumpai, karena setiap kernel mempunyai spesifikasi yang berbeda. Umumnya masalah dalam dunia nyata ini yang seringkali dijumpai adalah permasalahan non linear. Oleh kerena itu pada umumnya kernel RBF menjadi pilihan utama dalam proses pengkakulasian parameter. Besar kecilnya gamma atau sigma Hal ini akan mempengaruhi hasil pada model prediksi, semakin kecilnya gamma maka noise akan dapat dihindari dan menghindari overfitting pada model prediksi. b. Nilai e (insensitivity) Besaran e akan mempengaruhi tingkat akurasi yang akan dihasilkan. Berikut hal yang perlu diperhatikan dalam menentukan nilai e: Inputan nilai e lebih besar dari nilai batas toleransi Nilai batas toleransi menjadi besar sehingga akurasi model prediksi dapat saja meningkat. Inputan nilai e lebih kecil dari nilai batas toleransi Nilai batas toleransi menjadi kecil, sehingga menyebabkan nilai akurasi model yang dihasilkan oleh prediksi dapat mengecil. c. Loss function Pada umumnya loss-function yang banyak digunakan adalah tipe quadratical dan e-insensitive. Loss function akan menentukan bentuk garis batas error yang besarnya sesuai dengan nilai e yang telah di input.
13 56 Perbedaan mendasar antara kedua loss-function itu terlentak pada bentuk yang dihasilkan. Untuk loss function quadratical biasanya akan menghasilkan bentuk yang lebih fleksibel di bandingkan loss function e- insensitive yang menghasilkan bentuk kaku (garis lurus). d. Nilai C Hal yang perlu diperhatikan dalam menentukan besarnya parameter C yaitu: Semakin besar nilai C Tingkat akurasi akan semakin tinggi tetapi generalisasi data akan menurun. Semakin kecil nilai C Data akan makin tergeneralisasi tetapi tingkat akurasi akan semakin menurun. Pengkakulasian parameter ini akan menghasilkan jumlah support vector dan nilai bias. Seringkali pada pengkakulasian paramater terjadi kesalahan pada hasil output yang dihasilkan karena tidak sesuai dengan nilai output yang diinginkan. Hal ini sangat mungkin terjadi karena kesalahan pada data atau kesalahan sensor. Penyaringan data yang sebelumnya dilakukan belum tepat maka akan menimbulkan suatu gangguan atau noise. Hal ini dapat diantisipasi dengan memilih model yang memiliki besaran bias yang tinggi. Proses pengkakulasian parameter ini merupakan tahapan yang memerlukan waktu yang cukup lama dilakukan untuk dapat menghasilkan hasil yang terbaik. Pada tahap ini diperlukan perhitungan secara berulang
14 57 ulang dan apabila pada model prediksi tidak sesuai dengan hasil yang diinginkan, diperlukan revisi pada data yang ada dan perlu dilakukan pengkakulasian lagi. 4. Training Pada tahapan training, data input berupa set training G = x,y, dimana x merupakan set training x (waktu dalam satuan bulan) dan y merupakan nilai penjualan aktual, akan diolah beserta dengan nilai parameter yang telah dimasukkan sebelumnya. Selanjutnya akan diadakan perhitungan dengan fungsi optimal dari regresi, Φ w, ξ 1 2 w C ξ ξ Nilai C diperoleh berdasarkan input pengguna, sedangkan ξ, ξ merupakan batas atas dan batas bawah dari hasil keluaran sistem. Selanjutnya berdasarkan jenis loss-function dan kernel yang dipilih pengguna, solusi perhitungan akan memperoleh Langrange multipliers yang kemudian dapat digunakan untuk menghitung nilai prediksi. 5. Validasi Tingkat akurasi merupakan salah satu hal penting untuk mengetahui apakah suatu model prediksi layak digunakan atau tidak. Semakin tinggi tingkat akurasi yang dimiliki maka suatu model tersebut akan makin dipercaya untuk pengambilan keputusan. Validasi merupakan tahapan untuk melakukan perbandingan antara data hasil prediksi yang dihasilkan oleh model prediksi dengan data actual yang terletak pada set validasi.
15 58 Kesalahan atau error yang muncul dapat disebabkan oleh beberapa hal sebagai berikut: Penyaringan data yang dilakukan Penyaringan data merupakan bagian terpenting untuk menghindari kemungkinan kemungkinan terjadinya error. Penyaringan ini dapat dilakukan dengan data cleaning dan menghilangkan data yang memiliki nilai yang tidak stabil dan hanya muncul sesekali. Penentuan parameter Parameter parameter seperti kernel, loss function, penentuan besaran e dan C akan mempengaruhi besarnya tingkat error. Dengan pemilihan parameter yang sesuai dan tepat akan meminimalisasikan tingkat error yang terjadi. Perhitungan yang digunakan Pemakaian metode perhitungan yang digunakan untuk menghitung tingkat kesalahan akan berpengaruh pada tingkat akurasi yang dihasilkan. Terdapat beberapa metode yang dapat digunakan untuk menghitung tingkat kesalahan. Pada kasus ini, penulis menggunakan Mean Absolute Percentage Error (MAPE) untuk menghitung besarnya tingkat kesalahan yang mudah terjadi. Tingkat akurasi ini didapat dari selisih absolut data testing dan data aktual yang dibandingkan dengan data aktual itu sendiri. Perhitungan tingkat akurasi ini dilakukan untuk mempermudah dalam mengetahui apakah feature dalam pembentukan model prediksi sudah tepat atau belum. Semakin kecil
16 59 nilai persentase kesalahan dari MAPE, maka model prediksi tersebut makin dapat lebih dipercaya dalam pengambilan keputusan. 6. Evaluasi model prediksi Setelah memperoleh akurasi perhitungan dari model prediksi sementara, evaluasi model yang dihasilkan dengan berdasarkan pada tingkat akurasi yang dijanjikan, perlu dilakukan. Apabila hasil akurasi yang diinginkan telah tercapai, maka selanjutnya proses akan memasuki tahapan testing, sebaliknya jika evaluasi terhadap akurasi dinilai belum memuaskan, maka proses penemuan model dapat diulangi mulai dari tahap pengaturan nilai parameter. Hal ini dilakukan berulang kali hingga akurasi yang diinginkan dapat tercapai. Model prediksi merupakan dasar dalam mengambil keputusan dalam prediksi oleh karena itu diperlukan pemilihan terhadap model prediksi yang terbaik dengan akurasi yang tinggi untuk pengambilan keputusan. Beberapa hal yang perlu diperhatikan pada sebuah model prediksi: Kualitas data yang digunakan Model prediksi yang baik dimulai dari sekumpulan data yang berkualitas. Dengan menjaga kualitas data yang ada maka model prediksi akan menampilkan pergerakan data yang stabil dan meningkatkan kualitas prediksi. Parameter yang dipakai dalam model prediksi Pemilihan dan penentuan parameter dalam sebuah model prediksi akan mempengaruhi bentuk hyperplane di mana semakin tipis hyperplane yang tercipta maka data yang dihasilkan makin akurat. Penggunaan parameter
17 60 seperti kernel, loss function, penentuan besaran e dan C harus disesuaikan dengan permasalahan yang dihadapi sehingga dapat menghasilkan predective model terbaik. Akurasi yang dihasilkan Semakin tinggi akurasi yang dihasilkan maka ketepatan prediksi semakin tinggi dan data yang dihasilkan makin terpercaya. Akan tetapi kadang dijumpai beberapa kasus di mana perbedaan kecil pada tingkat akurasi akan menghasilkan model prediksi yang benar benar berbeda. Nilai output yang dihasilkan Nilai yang dihasilkan pada suatu model prediksi perlu diperhatikan juga apakah sudah sesuai dengan keinginan. Dalam beberapa kasus, tingginya tingkat akurasi tidak menjamin keakuratan data yang dihasilkan. 7. Testing Tahap terakhir yang perlu dilakukan adalah menentukan nilai prediksi yang sebenarnya. Tahapan ini dapat dilakukan jika kelima tahapan di atas telah dilalui dikarenakan pada tahapan ini, model yang sebelumnya telah diperoleh dan divalidasi akan digunakan kembali untuk memprediksikan sejumlah data penjualan pada masa depan. 8. Menampilkan hasil prediksi Selanjutnya setelah melewati semua tahapan, hasil prediksi terhadap satuan waktu X akan diperoleh. Namun yang perlu diingat, setiap permasalahan yang ada memiliki model prediksi dan diagram prediksi yang berbeda. Oleh karena itu penerapan model yang sama pada kasus yang berbeda jelas dapat
18 61 menghasilkan hasil prediksi yang salah. Pada kasus dimana belum terdapat model prediksi, diperlukan data baru yang perlu diolah terlebih dahulu melalui tahapan-tahapan seperti yang telah dijabarkan. Besaran parameter yang tepat juga akan sangat bergantung pada data yang ada Perancangan Layar Dalam membuat sebuah aplikasi, dibutuhkan analisis mengenai kebutuhan pengguna terhadap aplikasi tersebut. Pada sistem prediksi ini, yang lebih ditekankan adalah tingkat keakurasian dari hasil prediksi serta kemudahan dalam menggunakan aplikasi yang akan dibuat. Gambar 3.3 Use Case Model Prediksi dengan SVR
19 Gambar 3.4 Sequence Diagram Model Prediksi dengan SVR 62
20 63 Gambar 3.4 menunjukkan proses pembuatan model prediksi. Pada aplikasi yang akan dibuat, terdapat beberapa fungsi sebagai berikut: 1. Fungsi Penginputan Data Pengguna dapat memasukkan data dengan format *.xls atau *.xlsx (Microsoft Excel). Format yang digunakan dipilih dalam bentuk demikian karena format ini merupakan jenis sumber data yang cukup mudah digunakan. 2. Fungsi Modelling Fungsi Modeling digunakan untuk menghasilkan sebuah model prediksi. Dari model yang dihasilkan, akurasi akan ditampilkan sehingga pengguna memiliki gambaran mengenai kurang lebih nilai keakuratan yang akan diperoleh dengan menggunakan model prediksi tersebut. 3. Fungsi Penginputan Jumlah Bulan Penginputan jumlah bulan dibuat dengan dibatasi dari 1 hingga 6 bulan dengan dasar bahwa data yang disediakan oleh PT. Kompas Gramedia dalam satuan bulanan. 4. Fungsi Predict Pada saat pengguna melakukan prediksi, maka hasil prediksi yang ditampilkan akan diikuti dengan total keseluruhan dari n bulan. Antar muka dari suatu aplikasi merupakan fasilitas yang berfungsi agar pengguna dapat menjalankan suatu aplikasi dengan lebih mudah. Untuk itu, dibutuhkan rancangan antar muka yang baik sehingga pengguna dapat merasa nyaman namun tetap memperhatikan fungsionalitas dari aplikasi itu sendiri. Berikut perancangan layar untuk aplikasi prediksi:
21 64 1. Rancangan Layar Awal Rancangan layar ini diakses pertama kali ketika pengguna menjalankan program. Layar ini menampilkan panel Training yang terdiri dari fitur load data, split data, tampilan akurasi, tabel data dan modeling. Judul Form Training Panel Training Gambar 3.5 Rancangan Layar Awal
22 65 Judul Form Training Tampilan Load Data Load Tampilan akurasi Tabel data Modeling Gambar 3.6 Rancangan Layar Pada Panel Training 2. Rancangan Layar Ketika Melakukan Load Ketika tombol Load diakses oleh pengguna, maka akan muncul sebuah pop up di mana pengguna dapat mencari data yang akan digunakan untuk prediksi. File yang dipilih tersebut akan muncul pada tampilan data load. Setelah melakukan load data ini maka tombol Split Data akan ditampilkan.
23 66 Judul Form Load Data Tampilan data load Pop Up Load Data load Tampilan akurasi Tabel data Modeling Gambar 3.7 Rancangan Layar Ketika Melakukan Load Data 3. Rancangan Layar Ketika Melakukan Split Data Ketika pengguna telah menekan tombol Split Data yang berfungsi untuk membagi data yang telah di load dan menampilkan hasil pada tiga buah tabel yaitu Table Set yang berisikan keseluruhan set data, Table Train yang berisikan set training, dan Table Validate yang berisikan set validasi. Setelah split data dilakukan maka parameter yang dibutuhkan pada saat pembentukan model prediksi akan muncul.
24 67 Judul Form Training Tampilan Load Data Table Set Table Train Load Table Validate Tampilan akurasi Tabel Data Modeling Gambar 3.8 Rancangan Layar Ketika Melakukan Split Data 4. Rancangan Layar Ketika Melakukan Modeling Rancangan layar modeling ini digunakan untuk mengatur parameter yang digunakan untuk menghasilkan model prediksi. Parameter parameter yang ditampilkan sebagai berikut. Setelah modeling ini dilakukan maka akan muncul hasil akurasi pada tampilan akurasi. Bound e Loss Kernel Modeling
25 68 Judul Form Training Tampilan Load Data Table Set Table Train Load Split Data Table Validate Tampilan akurasi Tabel Data Bound e Loss Kernel Modeling Gambar 3.9 Rancangan Layar Ketika Melakukan Modeling
26 69 5. Rancangan Layar Ketika Akurasi Ditampilkan Judul Form Training Predicting Tampilan Load Data Table Set Table Train Load Split Data Table Validate Tampilan akurasi Tabel Data Bound e Loss Kernel Modeling Gambar 3.10 Rancangan Ketika Akurasi Ditampilkan Rancangan layar akurasi ini untuk menampilkan hasil akurasi dari sebuah model prediksi yang dihasilkan. Setelah hasil akurasi dihasilkan maka akan muncul tombol Predicting yang berfungsi untuk beralih ke panel Predicting dan menampilkan hasil prediksi pada panel tersebut. 6. Rancangan Layar Panel Predicting Panel Predicting ini terdiri dari tampilan data load yang berisikan nama file dari data yang sedang digunakan untuk melakukan prediksi saat ini, sebuah combo box untuk memilih banyaknya bulan untuk diprediksi, serta tampilan
27 70 grafik dan tombol Predict. Batas maksimal bulan yang dapat dipilih adalah 6 bulan. Judul Form Training Tampilan Load Data Month Tampilan akurasi Predicting Tampilan Grafik Gambar 3.11 Rancangan Layar Panel Predicting 7. Rancangan Layar Setelah Prediksi Telah Dilakukan Predict ini digunakan untuk proses perhitungan nilai prediksi. Setelah tombol ini dipilih maka akan muncul tombol Result untuk menampilkan hasil prediksi dalam bentuk tabel dan tombol Graph untuk menampilkan grafik data. a) Tampilan apabila tombol Result dipilih. Apabila tombol Result dipilih maka, hasil prediksi per bulan dan total prediksi dari sejumlah bulan yang diprediksi akan ditampilkan.
28 71 Result Total result Judul Form Training Tampilan Load ata Month Tampilan akurasi Predicting Result Result Graph Total Result Gambar 3.12 Rancangan Layar Pada Bagian Result
29 72 b) Tampilan apabila tombol Graph dipilih. Apabila tombol Graph dipilih, maka akan ditampilkan plot dari set data dan hasil prediksi yang telah dilakukan. Judul Form Training Tampilan Load ata Month Tampilan akurasi Predicting Result Graph Tampilan Grafik Gambar 3.13 Rancangan Layar Ketika Menampilkan Grafik
1. 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 terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1. Wilayah dan Jadwal Penelitian Wilayah penelitan adalah Kota Banda Aceh. Penelitian ini dilakukan mulai bulan April sampai Juli 2014. 3.2. Populasi dan Sampel Populasi dalam
Lebih terperinciBAB 3 PERANCANGAN PROGRAM. 3.1 Alasan digunakan Metode Exponential Smoothing. Banyak metode peramalan yang dapat digunakan dalam memprediksi tingkat
BAB 3 PERANCANGAN PROGRAM 3.1 Alasan digunakan Metode Exponential Smoothing Banyak metode peramalan yang dapat digunakan dalam memprediksi tingkat penjualan untuk beberapa periode ke depan. Biasanya untuk
Lebih terperinci4 Notepad dan Microsoft Excel sebagai editor data.
dengan menggunakan perangkat lunak ENVI disimpan dalam file.txt (Lampiran 1). File ini berisi informasi mengenai panjang gelombang dan nilai pantulan (reflectance) objek di permukaan bumi. Objek yang diperlukan
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 terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 Edisi... Volume..., Bulan 20.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 SISTEM PERAMALAN DAN MONITORING PERSEDIAAN OBAT DI RSPG CISARUA BOGOR DENGAN MENGGUNAKAN METODE SINGLE EXPONENTIAL SMOOTHING DAN REORDER POINT Nendang
Lebih terperinciPrediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 T - 12 Prediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
Lebih terperinciANALISIS SUPPORT VECTOR REGRESSION
ANALISIS SUPPORT VECTOR REGRESSION (SVR) DALAM MEMPREDIKSI KURS RUPIAH TERHADAP DOLLAR AMERIKA SERIKAT SKRIPSI Oleh : RISKY AMANDA NIM. 24010210141027 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN. Berikut dibawah ini adalah data yang didapat dari GK AUTO. Tabel 5.1 Data Variabel
BAB 5 HASIL DAN PEMBAHASAN 5.1 Penyajian Data Berikut dibawah ini adalah data yang didapat dari GK AUTO. Tabel 5.1 Data Variabel Tanggal Laba (Y) Kurs Dollar (X1) Penjualan (X2) Advertise (X3) Jan-03 184,002,000
Lebih terperinciPERAMALAN JUMLAH TAMU HOTEL DI KABUPATEN DEMAK
PERAMALAN JUMLAH TAMU HOTEL DI KABUPATEN DEMAK MENGGUNAKAN METODE SUPPORT VECTOR REGRESSION SKRIPSI Disusun Oleh : DESY TRISHARDIYANTI ADININGTYAS 24010211130047 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciSTATISTIKA. Tabel dan Grafik
STATISTIKA Organisasi Data Koleksi data statistik perlu disusun (diorganisir) sedemikian hingga dapat dibaca dengan jelas. Salah satu pengorganisasian data statistik adalah dengan: tabel grafik Organisasi
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Variabel Berikut merupakan variabel yang digunakan dalam pemecahan masalah pada penelitian ini yaitu sebagai berikut : Data historis penjualan yang akan digunakan untuk
Lebih terperinciBAB 4 HASIL DAN BAHASAN
BAB 4 HASIL DAN BAHASAN 4.1 Hasil dan Bahasan 4.1.1 Penentuan Suku Cadang Prioritas Untuk menentukan suku cadang prioritas pada penulisan tugas akhir ini diperlukan data aktual permintaan filter fleetguard
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) I. PENDAHULUAN II. METODOLOGI
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6 1 Implementasi Metode Time Series Arima Berbasis Java Desktop Application untuk Memperkirakan Jumlah Permintaan Busana Muslim Anak di Perusahaan Habibah Busana
Lebih terperinciPREDIKSI INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR REGRESSION DENGAN ALGORITMA GRID SEARCH
PREDIKSI INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR REGRESSION DENGAN ALGORITMA GRID SEARCH SKRIPSI Disusun Oleh : LUTFIA SEPTININGRUM 240 102 111 400 73 JURUSAN STATISTIKA FAKULTAS SAINS DAN
Lebih terperinciPERAMALAN JUMLAH TAMU HOTEL DI KABUPATEN DEMAK MENGGUNAKAN METODE SUPPORT VECTOR REGRESSION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman 785-794 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN JUMLAH TAMU HOTEL DI KABUPATEN DEMAK MENGGUNAKAN METODE
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 terperinciMagister Pengelolaan Air dan Air Limbah Universitas Gadjah Mada. 18-Aug-17. Statistika Teknik.
Magister Pengelolaan Air dan Air Limbah Universitas Gadjah Mada Statistika Teknik Tabel dan Grafik Organisasi Data Koleksi data statistik perlu disusun (diorganisir) sedemikian hingga dapat dibaca dengan
Lebih terperinciMETODE PERAMALAN HOLT-WINTER UNTUK MEMPREDIKSI JUMLAH PENGUNJUNG PERPUSTAKAAN UNIVERSITAS RIAU ABSTRACT
METODE PERAMALAN HOLT-WINTER UNTUK MEMPREDIKSI JUMLAH PENGUNJUNG PERPUSTAKAAN UNIVERSITAS RIAU Encik Rosalina 1, Sigit Sugiarto 2, M.D.H. Gamal 2 1 Mahasiswa Program Studi S1 Matematika 2 Dosen Jurusan
Lebih terperinciBAB I PENDAHULUAN. menyebabkan persaingan dalam dunia bisnis semakin berkembang, karena
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan industri di Indonesia yang sekarang ini sedang berlangsung, menyebabkan persaingan dalam dunia bisnis semakin berkembang, karena banyaknya perusahaan baru
Lebih terperinciBAB I PENDAHULUAN. I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang PT NYZ merupakan perusahaan divisi pelumas dari perusahaan minyak nasional PT ABC (Persero) yang berbentuk perseroan terbatas (PT) dan dicetuskan pada bulan November
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Hujan merupakan salah satu bentuk presipitasi uap air yang berasal dari awan yang terdapat diatmosfer, titik-titik air di udara atau awan yang sudah terlalu
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 terperinciBab III PERANCANGAN PROGRAM APLIKASI
35 Bab III PERANCANGAN PROGRAM APLIKASI 3.1 Spesifikasi Rumusan Rancangan Perancangan program aplikasi ini terbagi menjadi dua bagian yaitu proses, yaitu : proses input dan hasil keluaran atau output Proses
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN SISTEM
BAB IV IMPLEMENTASI DAN PENGUJIAN SISTEM Implementasi sistem adalah bentuk dari perancangan sistem yang dilakukan sebelumnya. Pada bab ini akan dijelaskan mengenai implementasi dan pengujian dari aplikasi
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
19 3.1 Diagram Alir Penelitian BAB 3 METODOLOGI PENELITIAN MULAI Pengajuan Surat Survei PT. Bangkit Sukses Mandiri (BSM) Diterima? Tidak Ya Observasi Perusahaan Wawancara dengan Direktur PT. BSM Pengamatan
Lebih terperinciTREND ANALYSIS INFANT MORTALITY RATE DENGAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA)
TREND ANALYSIS INFANT MORTALITY RATE DENGAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) Jerhi Wahyu Fernanda, Wisnaningsih S, Emilia Boavida,, Prodi Rekam Medis Informasi Kesehatan Institut Ilmu Kesehatan
Lebih terperinciBAB I PENDAHULUAN. menjaga tenggat waktu, dan meminimalkan biaya persediaan. yang harus ditempuh menghadapi suatu kondisi tertentu (Rangkuti, 2004).
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Dunia usaha yang terus berubah dengan cepat, mengharuskan perusahaan agar mampu menganalisis lingkungan usaha dan memprediksi berbagai kemungkinan yang terjadi
Lebih terperinciBAB I PENDAHAHULUAN I.1
BAB I PENDAHAHULUAN I.1 Latar Belakang Setiap perusahaan tentunya ingin selalu meningkatkan kepuasan pelanggan dengan meningkatkan hasil produksinya. Produk yang berkualitas merupakan produk yang memenuhi
Lebih terperincidari tahun pada stasiun pengamat yang berada di daerah Darmaga, Bogor.
Jika plot peluang dan plot kuantil-kuantil membentuk garis lurus atau linier maka dapat disimpulkan bahwa model telah memenuhi asumsi (Mallor et al. 2009). Tingkat Pengembalian Dalam praktik, besaran atau
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang CV Setuju Sejahtera merupakan badan usaha yang bergerak di bidang pendistribusian yang berdiri sejak Oktober 2007, pendistribusian dalam hal ini meliputi bahan pangan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN. Pada saat ini masih ada perusahaan perusahaan dagang yang menggunakan data dan
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem 3.1.1 Analisis Masalah Pada saat ini masih ada perusahaan perusahaan dagang yang menggunakan data dan menghitung data secara manual dan prediksi subjektif
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 II DASAR TEORI. Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma.
BAB II DASAR TEORI Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma. 2.1. Microsoft Visual Studio Microsoft Visual Studio adalah sebuah software yang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Musim hujan merupakan musim yang mutlak ada di sebagian belahan benua dunia. Dan curah hujan pasti memiliki
BAB I PENDAHULUAN 1.1 Latar Belakang Musim hujan merupakan musim yang mutlak ada di sebagian belahan benua dunia. Dan curah hujan pasti memiliki intensitas yang berbeda. Faktor penyebabnya dapat terjadi
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 III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM III.1. AnalisisMasalah Berdasakan analisis dan hasil penelitian yang dilakukan terhadap sistem yang sedang berjalan yang dibutuhkan dalam membangun aplikasi peramalan
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 terperinciBAB IV IMPLEMENTASI DAN EVALUASI SISTEM. menggunakan metode Single Exponential Smoothing. Hasil perancangan tersebut
BAB IV IMPLEMENTASI DAN EVALUASI SISTEM Pada bab empat ini menjelaskan mengenai hasil analisis dan perancangan aplikasi peramalan persediaan bahan baku pada CV Lintas Nusa Surabaya dengan menggunakan metode
Lebih terperinciPeramalan Deret Waktu Menggunakan S-Curve dan Quadratic Trend Model
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Peramalan Deret Waktu Menggunakan S-Curve dan Quadratic Trend Model Ni Kadek Sukerti STMIK STIKOM Bali Jl. Raya Puputan
Lebih terperinciPrediksi Pemakaian Listrik Dengan Pendekatan Back Propagation
ISSN: 2089-3787 465 Prediksi Pemakaian Listrik Dengan Pendekatan Back Propagation Ruliah S, Rendy Rolyadely Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru Jl. A.Yani Km. 33,3 Loktabat Banjarbaru
Lebih terperinciPENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA
SISTEM PENDUKUNG KEPUTUSAN PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA Alda Raharja - 5206 100 008! Wiwik Anggraeni, S.Si, M.Kom! Retno
Lebih terperinciAPLIKASI PERAMALAN PENGADAAN BARANG DENGAN METODE TREND PROJECTION DAN METODE SINGLE EXPONENTIAL SMOOTHING (STUDI KASUS DI TOKO PIONIR JAYA)
APLIKASI PERAMALAN PENGADAAN BARANG DENGAN METODE TREND PROJECTION DAN METODE SINGLE EXPONENTIAL SMOOTHING (STUDI KASUS DI TOKO PIONIR JAYA) Evi Dewi Sri Mulyani 1, Egi Badar Sambani 2, Rian Cahyana 3
Lebih terperinciRANCANG BANGUN APLIKASI PERAMALAN PENJUALAN AQUAKY DENGAN METODE REGRESI LINIER DI CV. JAYA HIKMAH TULUNGAGUNG JAWA TIMUR TUGAS AKHIR
RANCANG BANGUN APLIKASI PERAMALAN PENJUALAN AQUAKY DENGAN METODE REGRESI LINIER DI CV. JAYA HIKMAH TULUNGAGUNG JAWA TIMUR TUGAS AKHIR Diajukan Oleh: RIVAL ZUNAIDHI NPM : 0934015021 Kepada JURUSAN TEKNIK
Lebih terperinciBAB I Pendahuluan I-1
I-1 BAB I Pendahuluan 1.1. Latar Belakang Masalah Persaingan yang ketat antar industri manufaktur di bidang elektronik dan permintaan konsumen yang terus menigkat setiap tahunnya, membuat para pelaku industri
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Wilayah Studi Wilayah studi dari penelitian ini adalah daerah Sukarame yaitu PH-03 Sukarame. Daerah ini merupakan salah satu kecamatan yang berada di Kotamadya Bandar Lampung,
Lebih terperinciBAB 4 ANALISIS DAN BAHASAN
BAB 4 ANALISIS DAN BAHASAN 4.1 Profil Perusahaan PT. LG Electronics Indonesia adalah perusahaan elektronik asal Korea Selatan yang menjadi salah satu bagian dari LG Group yang didirikan di Korea pada tahun
Lebih terperinciPENGEMBANGAN SISTEM PENDUKUNG KEPUTUSAN PERAMALAN PERSEDIAAN BARANG MENGGUNAKAN METODE WEIGHTED MOVING AVERAGE
PENGEMBANGAN SISTEM PENDUKUNG KEPUTUSAN PERAMALAN PERSEDIAAN BARANG MENGGUNAKAN METODE WEIGHTED MOVING AVERAGE Andri Saputra Teknik Informatika STMIK PalComTech Jl. Basuki Rahmat No. 05, Palembang 30129,
Lebih terperinciMODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA
MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA TUGAS AKHIR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM PROGRAM APLIKASI HANDS RECOGNIZER
BAB 3 ANALISIS DAN PERANCANGAN SISTEM PROGRAM APLIKASI HANDS RECOGNIZER Dalam analisis dan perancangan sistem program aplikasi ini, disajikan mengenai analisis kebutuhan sistem yang digunakan, diagram
Lebih terperinciSVM untuk Regresi. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
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 terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang
57 BAB 4 IMPLEMENTASI DAN EVALUASI Dalam bab ini, selain menjelaskan mengenai kebutuhan minimum untuk perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang dihasilkan, juga akan
Lebih terperinciPembuatan Aplikasi Prediksi Harga Saham Berbasis Web Menggunakan Metode Holt s: Studi Kasus Di PT Bank Central Asia Tbk
A333 Pembuatan Aplikasi Prediksi Harga Saham Berbasis Web Menggunakan Metode Holt s: Studi Kasus Di PT Bank Central Asia Tbk Nabihah Hanun Atikah, Arif Djunaidy, dan Faizal Mahananto Departemen Sistem
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
BAB III ANALISA DAN PERANCANGAN SISTEM Bab ini menguraikan tentang analisa dan perancangan sistem untuk mengimplementasikan metode Double Exponential Smoothing (DES) pada aplikasi prediksi jumlah pasien
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pengembangan teknologi diharapkan menghasilkan berbagai hal yang berguna untuk memenuhi kebutuhan masyarakat serta memberi kemudahan dan kenyamanan pada pengguna
Lebih terperinciPREDIKSI INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR REGRESSION (SVR) DENGAN ALGORITMA GRID SEARCH
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 315-321 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PREDIKSI INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR
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 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 terperinciPERAMALAN BEBAN JANGKA PENDEK PADA HARI LIBUR DI BALI MENGGUNAKAN METODE GENERALIZED REGRESSION NEURAL NETWORK (GRNN)
PERAMALAN BEBAN JANGKA PENDEK PADA HA LIBUR DI BALI MENGGUNAKAN METODE GENERALIZED REGRESSION NEURAL NETWORK () Juniar Doan Wihardono 1, Agus Dharma 2, I Made Mataram 3 Jurusan Teknik Elektro dan Komputer,
Lebih terperinciBab V Metode Peramalan Produksi Usulan Dan Studi Kasus
3 25 2 15 1 5 Minyak Air Gas 15-Jun-94 28-Oct-95 11-Mar-97 24-Jul-98 6-Dec-99 19-Apr-1 1-Sep-2 14-Jan-4 28-May-5 14 12 1 8 6 4 2 Bab V Metode Peramalan Produksi Usulan Dan Studi Kasus V.1. Metode Peramalan
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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Umum Pada bab ini akan dijelaskan mengenai pembuatan Rancang Bangun Aplikasi Perencanaan Stok Barang dengan Menggunakan Teori Trafik dari tahap awal perancangan sampai
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN Metodologi penelitian sangat berperan penting untuk menyelesaikan masalah secara sistematis dan memberikan solusi yang teratur dan terarah sesuai dengan tujuan penulisan skripsi
Lebih terperinciPREDIKSI BEBAN LISTRIK HARIAN PADA SEKTOR INDUSTRI BERBASIS SVM DENGAN KERNEL POLINOMIAL
PREDIKSI BEBAN LISTRIK HARIAN PADA SEKTOR INDUSTRI BERBASIS SVM DENGAN KERNEL POLINOMIAL Luqman Assaffat 1) 1 Fakultas Teknik, Universitas Muhammadiyah Semarang email: assaffat@unimus.ac.id Abstract The
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Negara memainkan peran penting dalam kehidupan ekonomi. Peran itu diwujudkan dalam dua hal pokok, yaitu kewenangan negara untuk menguasai sumber ekonomi, memperoleh
Lebih terperinciPENGORGANISASIAN DATA DAN PENYAJIAN DATA
Universitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan PENGORGANISASIAN DATA DAN PENYAJIAN DATA Statistika dan Probabilitas Pengorganisasian dan Penyajian Data Koleksi data statistika
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 1 PENDAHULUAN. 1.1 Latar Belakang. Tantangan yang dihadapi dunia industri saat ini menuntut peningkatan dan
BAB 1 PENDAHULUAN 1.1 Latar Belakang Tantangan yang dihadapi dunia industri saat ini menuntut peningkatan dan perbaikan kinerja yang dilakukan secara kontinu agar dapat terus bertahan dan memenangkan persaingan
Lebih terperinciLAPORAN PRAKTIKUM MODUL I PERAMALAN
LAPORAN PRAKTIKUM MODUL I PERAMALAN Disusun oleh: Kelompok II 1. Ari Handayani (4409216094) 2. Caecilia Eka A.W.S. (4409216097) 3. Dwi Darmawan Saputra (4409216100) LABORATORIUM SISTEM PRODUKSI FAKULTAS
Lebih terperinciU K D W BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam pengelolaan suatu minimarket tidak pernah lepas dari yang namanya persediaan barang. Persediaan barang menjadi bagian yang sangat vital dalam tumbuh kembangnya
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang PT Sygma Examedia merupakan salah satu perusahaan manufaktur yang berlokasi di Jalan Babakan Sari I No 71, Kiaracondong. PT Sygma Examedia bergerak di bidang pencetakan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI 3.1 Analisis Program Aplikasi 3.1.1. Definisi masalah Perubahan nilai indeks harga saham yang begitu dinamis, mempersulit pengambilan keputusan yang tepat
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
68 BAB 4 HASIL DAN PEMBAHASAN 4.1. Uji Algoritma Pengujian dilakukan untuk mendapatkan algoritma yang paling optimal dari segi kecepatan dan tingkat akurasi yang dapat berjalan secara real time pada smartphone
Lebih terperinciPrediksi Financial Time Series Menggunakan Independent Component Analysis dan Support Vector Regression Studi Kasus : IHSG dan JII
ISSN : 355-9365 e-proceeding of Engineering : Vol., No. Agustus 015 Page 3608 Prediksi Financial Time Series Menggunakan Independent Component Analysis dan Support Vector Regression Studi Kasus : IHSG
Lebih terperinciBAB I PENDAHULUAN. I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Pengembangan Sistem Informasi adalah sesuatu yang penting untuk memenuhi kebutuhan pada suatu perusahaan, baik membuat ataupun menyesuaikan suatu sistem informasi yang
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Try Out Ujian Nasional atau dengan kata lain dapat disebut dengan uji coba Ujian Nasional merupakan suatu bentuk ujian sebagai uji coba bagi setiap siswa/siswi sebelum
Lebih terperinciBAB 3 METODOLOGI. 3.1 Metodologi Penelitian Pengumpulan Bahan Penelitian. Dalam penelitian ini bahan atau materi dikumpulkan melalui :
BAB 3 METODOLOGI 3.1 Metodologi Penelitian 3.1.1 Pengumpulan Bahan Penelitian Dalam penelitian ini bahan atau materi dikumpulkan melalui : 1) Data primer, yaitu memperoleh sumber data penelitian langsung
Lebih terperinciBAB I PENDAHULUAN. Dewasa ini hampir di semua bidang kegiatan usaha telah memanfatkan
BAB I PENDAHULUAN I.1. Latar Belakang Dewasa ini hampir di semua bidang kegiatan usaha telah memanfatkan perangkat komputer sebagai alat bantu dalam kegiatan usaha. Ini tidak lepas dari perkembangan dunia
Lebih terperinciBAB 4 METODOLOGI PENELITIAN
BAB 4 METODOLOGI PENELITIAN 4.1 Model Perumusan Masalah Metodologi penelitian penting dilakukan untuk menentukan pola pikir dalam mengindentifikasi masalah dan melakukan pemecahannya. Untuk melakukan pemecahan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Gambaran Umum Objek 3.1.1 Sejarah Perusahaan Perusahaan yang dijadikan penelitian oleh penulis adalah PT. Satriamandiri Citramulia yang berlokasi di Jl. Pangeran Tubagus
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
60 BAB 4 HASIL DAN PEMBAHASAN 4.1. Hasil dan Pengumpulan Data 4.1.1 Penentuan Lini Produksi Kritis Pada pengolahan data tahap ini dilakukan perbandingan total kerusakan yang terjadi pada ketiga lini produksi
Lebih terperinciANALISIS SUPPORT VECTOR REGRESSION (SVR) DALAM MEMPREDIKSI KURS RUPIAH TERHADAP DOLLAR AMERIKA SERIKAT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 849-857 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS SUPPORT VECTOR REGRESSION (SVR) DALAM MEMPREDIKSI KURS
Lebih terperinciX-TRA Fixed Rate Market Linked Deposit Denominasi USD & IDR
X-TRA Fixed Rate Market Linked Deposit Denominasi USD & IDR Tanggal Laporan 2-Nov-15 UNTUK KETERANGAN LEBIH LANJUT: Call Center CIMB NIAGA 101 www.cimbniaga.com Kode Produk MLD12 28-Sep-12 28-Sep-17 MLD126
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Metode Pemecahan Masalah Gambar 3.1 Diagram Alir Metode Penelitian 88 A B Analisis Sistem Berjalan Membuat Rich Picture dari sistem yang sedang berjalan Perancangan database
Lebih terperinciX-TRA Fixed Rate Market Linked Deposit Denominasi USD & IDR
X-TRA Fixed Rate Market Linked Deposit Denominasi USD & IDR Tanggal Laporan -Nov-15 UNTUK KETERANGAN LEBIH LANJUT: Call Center CIMB NIAGA 101 www.cimbniaga.com PERFORMA Kode Produk Tanggal Penerbitan Tanggal
Lebih terperinciX-TRA Fixed Rate Market Linked Deposit Denominasi USD & IDR
X-TRA Fixed Rate Market Linked Deposit Denominasi USD & IDR Tanggal Laporan -Nov-15 UNTUK KETERANGAN LEBIH LANJUT: Call Center CIMB NIAGA 101 www.cimbniaga.com PERFORMA Kode Produk Tanggal Penerbitan Tanggal
Lebih terperinciBAB III ANALISIS SISTEM
BAB III ANALISIS SISTEM Pada bab ini akan dijelaskan tentang hasil analisis dari permasalahanpermasalahan yang menjadi latar belakang masalah seperti yang telah dijelaskan pada bab-bab sebelumnya, namun
Lebih terperinciMATHunesa Jurnal Ilmiah Matematika Volume 3 No.6 Tahun 2017 ISSN
MATHunesa Jurnal Ilmiah Matematika Volume 3 No.6 Tahun 2017 ISSN 2301-9115 FORECASTING FITNESS GYM MEMBERSHIP PADA PUSAT KEBUGARAN THE BODY ART FITNESS, AEROBIC & POOL MENGGUNAKAN METODE EXPONENTIAL SMOOTHING
Lebih terperinciBAB I PENDAHULUAN.
BAB I PENDAHULUAN 1.1 Latar Belakang Di dalam perusahaan atau instansi tentu nya memiliki data yang cukup besar, salah satunya adalah inventory. Suatu kegiatan dalam proses pengolahan data pada suatu gudang
Lebih terperinciTeknik Pengolahan Data
Universitas Gadjah Mada Jurusan Teknik Sipil dan Lingkungan Prodi Magister Teknik Pengelolaan Bencana Alam Teknik Pengolahan Data Tabel dan Grafik Organisasi Data Koleksi data sta;s;k perlu disusun (diorganisir)
Lebih terperinciIMPLEMENTASI PREDIKSI KEDALAMAN LAUT BERDASARKAN CITRA SATELIT MENGGUNAKAN SUPPORT VECTOR REGRESSION
IMPLEMENTASI PREDIKSI KEDALAMAN LAUT BERDASARKAN CITRA SATELIT MENGGUNAKAN SUPPORT VECTOR REGRESSION Putri Haryati Rizki,S.Kom. 1, Jondri, Drs.,Msi. 2, Rian Febrian Umbara, Ssi.,Msi. 3 1,3 Prodi Ilmu Komputasi
Lebih terperinciBAB III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu yang akan terjadi dimasa sekarang maupun yang akan datang. dikarena masa yang akan datang
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
57 BAB 4 IMPLEMENTASI DAN EVALUASI Di dalam bab ini disajikan hasil dari perancangan program aplikasi yang telah dirancang pada bab sebelumnya. Pada bab ini juga ditampilkan hasil percobaan dengan menggunakan
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN. Tabel 5.1 Total Hasil Penjualan
BAB 5 HASIL DAN PEMBAHASAN 5. Penyajian Data Tabel 5. Total Hasil Penjualan Total Hasil Penjualan Bulan (dalam jutaan rupiah) Jan-04 59.2 Feb-04 49.2 Mar-04 57.7 Apr-04 53.2 May-04 56.3 Jun-04 60.2 Jul-04
Lebih terperinci2.1. Dasar Teori Bandwidth Regression
2.1. Dasar Teori 2.1.1. Bandwidth Bandwidth adalah ukuran kapasitas dari sistem transmisi (Comer, 2004) Bandwidth adalah konsep pengukuran yang sangat penting dalam jaringan, tetapi konsep ini memiliki
Lebih terperinciTINGKAT KUPON pa gross (PER TAHUN)
X-TRA FIXED RATE Untuk keterangan lebih lanjut dapat menghubungi 14041 www.cimbniaga.com : MINGGU 05/ 2018 DENOMINASI IDR MLD1654IDR 14-Nov-16 3 Tahun 7.15% 7.15% 7.15% NA NA 2 8.9375% 97.60% MLD17008IDR
Lebih terperinciBAB I PENDAHULUAN. untuk item yang diproduksi. Peramalan ini berguna sebagai dasar untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Tahap pertama dalam perencanaan dan pengendalian produksi bila produksi bertipe made to stock adalah menentukan suatu peramalan akurat dari permintaan untuk
Lebih terperinci