PREDIKSI TINGKAT INFLASI DI INDONESIA BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA. Rita Rismala 1, Said Al Faraby 2
|
|
- Adi Darmadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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, 2 said.al.faraby@gmail.com Abstrak Inflasi menjadi indikator yang sangat penting dalam menganalisis perekonomian negara. Oleh karena itu prediksi terhadap nilai inflasi menjadi penting agar dapat membantu pemerintah dalam mengambil kebijakan untuk menjaga stabilitas moneter dan perekonomian. Pada penelitian ini dilakukan prediksi tingkat inflasi di Indonesia dengan tidak hanya mempertimbangkan data historis inflasi, namun juga mempertimbangkan faktor-faktor lain yang mempengaruh tingkati inflasi di Indonesia. Prediksi dilakukan menggunakan Jaringan Syaraf Tiruan dengan menggunakan algoritma pembelajaran berbasis Algoritma Genetika. Hasil pengujian menunjukkan bahwa akurasi sistem dalam memprediksi nilai tingkat inflasi belum cukup baik. Namun dalam memprediksi kelas inflasi, sistem ini sudah cukup baik terutama dalam mengidentifikasi inflasi dengan kelas rendah. Kata kunci : inflasi, prediksi, jaringan syaraf tiruan, algoritma genetika Pendahuluan Inflasi dapat menjadi indikator dalam menggambarkan kecenderungan umum tentang perkembangan harga. Indikator tersebut dapat dipakai sebagai informasi dasar untuk pengambilan keputusan baik tingkat ekonomi mikro atau makro, baik fiskal maupun moneter. Dalam lingkup yang lebih luas (makro) angka inflasi menggambarkan kondisi/ stabilitas moneter dan perekonomian [1]. Sehingga inflasi menjadi indikator yang sangat penting dalam menganalisis perekonomian negara [2]. Dikarenakan pentingnya hal tersebut, maka prediksi terhadap nilai inflasi menjadi penting agar dapat membantu pemerintah dalam mengambil kebijakan untuk menjaga stabilitas moneter dan perekonomian. Pada penelitian sebelumnya telah dibangun sistem prediksi tingkat inflasi bulanan di Indonesia secara time series dengan menggunakan data historis inflasi dengan hasil yang cukup bagus [3]. Pada penelitian ini dilakukan pengembangan untuk melakukan prediksi dengan tidak hanya mempertimbangkan data historis inflasi, namun juga mempertimbangkan faktor-faktor ekonomi lain yang mempengaruh tingkati inflasi di Indonesia. Adapun faktor-faktor ekonomi yang mempengaruhi tingkat inflasi di Indonesia terdiri dari faktor domestik dan faktor eksternal. Faktor domestik terdiri dari jumlah uang yang beredar, tingkat suku bunga, dan produk domestik bruto; sedangkan faktor eksternal terdiri dari nilai tukar rupiah terhadap mata uang asing dan tingkat inflasi luar negeri [2][4]. Faktor lain yang turut menyebabkan inflasi adalah jumlah hutang luar negeri dan jumlah impor barang [5]. JST banyak digunakan untuk melakukan prediksi atau peramalan dan dapat digunakan untuk menyelesaikan permasalahan prediksi yang melibatkan banyak variabel yang saling berkorelasi (multivariate). Diantara algoritma pembelajaran yang umum digunakan adalah algoritma back-propagation. Namun kekurangan dari algoritma ini adalah koreksi bobot yang terbatas pada ruang pencarian metode steepest descent sehingga kurang mampu untuk mengeksplorasi ruang pencarian yang dapat menyebabkan terjadinya solusi yang lebih buruk atau konvergensi prematur [8]. Karena kekurangan tersebut, beberapa studi merekomendasikan GA untuk menggantikan algoritma pembelajaran umum dalam JST. Keuntungan dari penggunaan GA adalah tersedianya banyak solusi pada satu waktu sehingga dari sekumpulan solusi tersebut dapat dipilih satu solusi yang terbaik [8][9]. Sebuah studi menunjukkan bahwa ketersediaan banyak solusi memberikan performansi pembelajaran yang lebih superior dibandingkan dengan hanya tersedia satu solusi. [7] Berdasarkan latar belakang di atas, maka pada penelitian ini dilakukan prediksi tingkat inflasi di Indonesia berdasarkan faktor-faktor ekonomi yang mempengaruhi tingkat inflasi serta melakukan analisis performansi terhadap sistem prediksi tersebut. Material dan Metodologi Data Data yang digunakan sebagai input untuk sistem ini adalah jumlah uang yang beredar (M1), jumlah uang yang beredar (M2), tingkat suku bunga simpanan, tingkat suku bunga pinjaman, pertumbuhan produk domestik bruto, nilai tukar rupiah terhadap mata uang asing (diwakili oleh US Dollar), tingkat inflasi luar negeri (diwakili oleh Amerika Serikat), jumlah hutang luar negeri, jumlah impor barang, dan jumlah ekspor 195
2 barang, sedangkan outputnya adalah tingkat inflasi tahunan Indonesia. Banyaknya data yang digunakan adalah 25 data ( ) yang diambil dari Metodologi Secara umum tahapan yang dilakukan untuk membangun sistem prediksi ini terdiri dari: a. Pelatihan Pada tahap ini dilakukan untuk pembangunan model prediksi menggunakan JST dengan menggunakan algoritma pembelajaran berbasis AG (Gambar 1). Gambar 21: Perancangan Tahap Pelatihan Perancangan JST-nya adalah seperti pada Gambar 2 berikut. faktor 1 faktor 2 faktor n... tingkat inflasi Gambar 22: Perancangan JST Sedangkan perancangan dari algoritma pembelajaran JST berbasis AG adalah seperti pada Gambar 3. Berikut adalah penjelasannya. 1) Weight Encoding Setiap gen merepresentasikan bobot antar neuron dalam layer yang berbeda, seperti dapat dilihat pada Gambar 4. Kromosom dibangun dari sekumpulan gen dengan representasi real. 196
3 Problem Weight Encoding ANN Learning Based on GA Randomly initialize population of NN weight For each weight, evaluates using feed-forward calculation Compute output signal in hidden layer Compute fitness value Parent selection Compute output signal in output layer Crossover Compute Error Mutation Evaluate RMSE value Elite strategy Replacement No Stop training? Yes Stop Gambar 23. Perancangan Algoritma Pembelajaran JST Berbasis AG 197
4 Gambar 24. Weight Encoding 2) fungsi objektif Karena tujuan dari pelatihan ini adalah untuk meminimalkan error, maka Root Mean Square Error (RMSE) digunakan sebagai fungsi objektif, persamaan (1). (1) dimana: =Nilai aktual = Nilai prediksi = Jumlah data 3) Fungsi fitnes Konsep dari fitness adalah the Larger the better, sehingga nilai fitness dihitung dengan menggunakan persamaan (2). 4) ANN learning based on GA a) Weight population initialization Membangkitkan sejumlah kromosom bobot secara acak dalam range nilai [-1..1] sebagai populasi pertama. b) Weight evaluation Evaluasi dengan menggunakan perhitungan feed forward (Tabel 1). Dalam sistem ini, fungsi aktivasi sigmoid digunakan untuk menentukan sinyal output dari hidden layer dan output layer. Hitung error menggunakan RMSE. (2) 198
5 Tabel 18. Perhitungan Feed Forward pada JST 1. Hitung sinyal output dari hidden layer. Gunakan summation function (3) dimana: = bobot antara input neuron i dan hidden neuron j = sinyal dari input neuron i Gunakan fungsi aktivasi untuk menghitung sinyal output dari hidden layer dan kirim sinyal tersebut ke semua neuron pada layer berikutnya. (4) 2. Hitung sinyal output dari output layer. Gunakan summation function (5) dimana: = bobot antara hidden neuron j dan output neuron k = sinyal dari hidden neuron j Gunakan fungsi aktivasi untuk menghitung sinyal output dari output layer (6) 3. Hitung error antara setiap nilai output dan nilai aktual. (7) 4. Hitung fungsi objektif. c) Compute fitness value Hitung fungsi fitness menggunakan persamaan (2). d) Parent selection Parent selection dilakukan menggunakan metode Roulette Wheel dengan Linear Fitness Ranking. e) Crossover Crossover dilakukan dengan menggunakan metode two-point crossover. f) Mutation Mutasi dilakukan dengan menggunakan creep mutation. g) Elite strategy 10% solusi terbaik dipertahankan untuk menjaga kualitas dari setiap generasi. h) Replacement Populasi baru menggantikan populasi lama. i) Stopping criteria Pembelajaran JST dihentikan apabila i. jumlah generasi sudah mencapai maksimum generasi, atau ii. fitness telah mencapai nilai maksimum, yaitu 10, atau iii. generalization lost (GL) dibawah -0.1 GL mengindikasikan penurunan relatif dari rata-rata nilai fitness. r r r (8) dimana: = generasi (9) dimana: = maksimum nilai fitness latih pada generasi g = maksimum nilai fitness validasi pada generasi g = jumlah data latih 199
6 = jumlah data validasi b. Proses Pengujian Proses ini dilakukan untuk menguji performansi dari model prediksi yang dihasilkan dari tahap pelatihan. Ukuran performansi yang digunakan adalah berupa akurasi yang diukur dalam MAPE. dimana = data aktual and = data prediksi. P ( ) (10) 3. Pembahasan 3.1. Skenario Data Komposisi data yang digunakan untuk pelatihan: validasi: pengujian adalah 15: 5: Pelatihan Untuk mendapatkan model prediksi yang paling optimal, dilakukan pelatihan dengan melibatkan beberapa skenario parameter. a. Parameter JST 1) Jumlah hidden layer = 1 2) Jumlah neuron pada hidden layer = 1 16 b. Parameter AG 1) Ukuran populasi = 100 2) Maksimum generasi yang dievaluasi = ) Probabilitas crossover Pc = 0.6 dan 0.8 4) Probabilitas mutasi Pm = 0.01 dan 0.1 Dari hasil pengujian dengan menggunakan berbagai kombinasi parameter, didapatkan bahwa parameter yang paling berpengaruh terhadap model prediksi yang dihasilkan adalah jumlah layer pada hidden neuron seperti dapat dilihat pada Gambar 5. Untuk menentukan banyaknya neuron pada hidden layer memang merupakan hal yang sulit. Jumlah neuron yang semakin banyak tidak serta merta meningkatkan performansi sistem, namun jumlah neuron yang terlalu sedikit (1 2) juga kurang bagus karena dapat menghasilkan model dengan performansi yang buruk. Berdasarkan hasil tersebut jumlah neuron pada hidden layer dapat dibagi menjadi tiga kelompok, yaitu: 1. Kelompok 1: 1 2 neuron 2. Kelompok 2: 3 5 neuron 3. Kelompok 3: 6 16 neuron Dari tiga kelompok ini, model yang paling baik dihasilkan saat digunakan jumlah layer pada kelompok 3. Hal ini terbukti dari rata-rata dan maksimum best fitness yang dihasilkan. Dari hasil pelatihan, model prediksi terbaik didapatkan pada saat sistem dilatih dengan menggunakan kombinasi parameter jumlah neuron pada hidden layer = 15, Pc = 0.8, dan Pm = Berdasarkan Gambar 9, terlihat bahwa pada saat proses pelatihan sistem mampu untuk mengadaptasi pola data latih dan validasi, bahkan untuk kasus data ekstrim pada tahun 1998 sistem mampu mendapatkan hasil prediksi yang mendekati data aktual. Apabila dipetakan dalam bentuk kelas (Gambar 10), terlihat bahwa sistem mampu menghasilkan akurasi yang bagus, yaitu 90%, serta sistem mampu untuk memprediksi inflasi berat pada tahun 1998 dengan tepat Pengujian Model terbaik yang dihasilkan dari proses pelatihan kemudian diujikan dengan menggunakan dataset uji untuk mengetahui performansi dari sistem. MAPE yang dihasilkan dari proses pengujian adalah 56.24%. Penyebab tingginya nilai MAPE ini adalah melesetnya prediksi inflasi pada tahun 2006 dan Apabila dilihat dari sisi prediksi kelas inflasi, akurasi yang didapatkan adalah 60% dimana sistem dapat mengidentifikasi 75% kelas rendah (1) dengan tepat namun kurang tepat dalam mengidentifikasi kelas sedang (2). Hal ini bisa jadi disebabkan oleh ketersediaan data yang sangat sedikit dan ketidakseimbangan sebaran data inflasi dimana data inflasi dengan kelas rendah jumlahnya jauh lebih banyak daripada kelas yang lain. Sehingga sistem akan lebih cenderung menghasilkan model yang bagus untuk memprediksi inflasi dengan kelas rendah (tingkat inflasi di bawah 10%). Secara keseluruhan dari proses training dan testing, sistem ini cukup bagus dalam memprediksi kelas inflasi dengan akurasi keseluruhan yang dihasilkan adalah 84%, namun belum cukup bagus dalam memprediksi nilai tingkat inflasi, dimana MAPE yang dihasilkan masih sangat tinggi yaitu 39.45%. 200
7 Kelas Inflasi Tingkat Inflasi (%) Best Fitness ISSN : Jumlah Hidden Neuron Maksimum Rata-Rata Gambar 25. Pengaruh Jumlah Neuron pada Hidden Layer terhadap Fitness Model Prediksi 70,00 60,00 50,00 40,00 30,00 20,00 10,00 0,00 Tahun Gambar 26. Hasil Pelatihan Terbaik 3,5 3 2,5 2 1,5 1 0,5 0 Tahun Aktual Prediksi Gambar 27. Kelas Pelatihan Terbaik 201
8 Kelas Inflasi Tingkat Inflasi (%) ISSN : ,00 12,00 10,00 8,00 6,00 4,00 2,00 0, Tahun Gambar 28. Hasil Pengujian dengan Model Terbaik Aktual Prediksi 2,5 2 1,5 1 0, Tahun Aktual Prediksi Gambar 29. Klasifikasi Hasil Pengujian dengan Model Terbaik 18. Kesimpulan Dari penelitian ini dapat disimpulkan beberapa hal: a. Parameter yang paling berpengaruh terhadap model prediksi yang dihasilkan adalah jumlah neuron pada hidden layer. Dalam kasus ini, jumlah neuron yang menghasilkan model paling baik adalah jumlah neuron dari kelas 3 yaitu 6 16 neuron. b. Dari sisi akurasi prediksi nilai tingkat inflasi, sistem ini belum cukup baik dimana MAPE yang dihasilkan masih sangat tinggi yaitu 39.45%. Namun dari segi akurasi dalam memprediksi kelas inflasi, sistem ini sudah cukup baik dimana akurasi keseluruhan yang dihasilkan adalah 84%. Saran untuk pengembangan lebih lanjut: a. Menggunakan data dengan jumlah yang lebih banyak dan dalam unit yang berbeda misal bulanan atau tiga bulanan. b. Mempertimbangkan faktor-faktor lain selain faktor ekonomi. Daftar Pustaka: [1] Badan Pusat Statistik Data Strategis BPS. Jakarta: Badan Pusat Statistik. [2] Endri Analisis Faktor-Faktor yang Mempengaruhi Inflasi di Indonesia. Jurnal Ekonomi Pemban gunan Vol. 13 No. 1, April 2008 Hal: [3] Rismala, Rita; Suyanto; Retno Novi Dayawati Prediksi Data Time Series Tingkat Inflasi di Indonesia dengan Menggunakan Differential Evolution. Proceeding Konferensi Nasional ICT-M Politeknik Telkom. ISSN: Desember
9 [4] Sasana, Hadi Analisis Faktor-Faktor yang Mempengaruhi Inflasi diindonesia dan Filipina (Pendekatan Error Correction Model), Jurnal Bisnis dan Ekonomi. September [5] Atmadja, Adwin S Inflasi di Indonesia: Sumber-Sumber Penyebab dan Pengendaliannya. Jurnal Akuntansi dan Keuangan Vol. 1, No. 1, Mei 1999 : [6] Singh, Yashpal; Alok Singh Chauhan Neural Networks in Data mining. Journal of Theoretical and Applied Information Technology: [7] Bullinaria, John A. Evolving Neural Networks: Is it Really Worth the Effort? [8] Chang, Pei-Chann., Wang, Yen-Wen., Tsai, Chi-Yang Evolving neural network for printed circuit board sales forecasting. Expert Systems with Applications 29, [9] Floreano, Dario., Durr, Peter., Mattiussi, Claudio Neuroevolution: from architectures to learning. Evol. Intel. (2008) 1:
PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciPERANCANGAN PENGATURAN DURASI LAMPU LALU LINTAS ADAPTIF
PERANCANGAN PENGATURAN DURASI LAMPU LALU LINTAS ADAPTIF Rudericus Andika Pramudya, Mahmud Imrona 2, Fhira Nhita 3,2,3 Prodi S Teknik Informatika, Fakultas Teknik, Universitas Telkom rudericusdika@gmail.com,
Lebih terperinciSTUDI ANALISA PELATIHAN JARINGAN SYARAF TIRUAN DENGAN DAN TANPA ALGORITMA GENETIKA
STUDI ANALISA PELATIHAN JARINGAN SYARAF TIRUAN DENGAN DAN TANPA ALGORITMA GENETIKA (Agustinus N., et al. STUDI ANALISA PELATIHAN JARINGAN SYARAF TIRUAN DENGAN DAN TANPA ALGORITMA GENETIKA Agustinus Noertjahyana
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciPrediksi Data Time Series Tingkat Inflasi di Indonesia dengan Menggunakan Differential Evolution
Data Time Series Tingkat Inflasi di Indonesia dengan Menggunakan Differential Evolution Rita Rismala, S.T. 1, Suyanto, S.T., M.Sc., Retno Novi Dayawati, S.Si., M.T. 1,, Institut Teknologi Telkom 1 rismala.rita@gmail.com,
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-222
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-222 Implementasi Algoritma Genetika pada Struktur Backpropagation Neural Network untuk Klasifikasi Kanker Payudara Adam Mizza Zamani, Bilqis Amaliah
Lebih terperinciPengaruh Dataset Ekuatorial Terhadap Akurasi Evolving Neural Network Prediksi Curah Hujan
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Pengaruh Dataset Ekuatorial Terhadap Akurasi Evolving Neural Network Prediksi Curah Hujan Liliana Swastina 1), Bambang Lareno
Lebih terperinci1 Pendahuluan. 1.1 Latar Belakang Masalah
1 Pendahuluan 1.1 Latar Belakang Masalah Kebutuhan masyarakat akan perkiraan cuaca terutama curah hujan ini menjadi sangat penting untuk merencanakan segala aktifivitas mereka. Curah hujan juga memiliki
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 terperinciPERAMALAN HARGA EMAS MENGGUNAKAN ALGORTIMA MEMETIKA DENGAN PENCARIAN LOCAL TABU SEARCH. Iqbal Dwihanandrio
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 6447 PERAMALAN HARGA EMAS MENGGUNAKAN ALGORTIMA MEMETIKA DENGAN PENCARIAN LOCAL TABU SEARCH Iqbal Dwihanandrio S1 Teknik Informatika
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 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 terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperinciOPTIMASI FUZZY BACKPROPAGATION NEURAL NETWORK DENGAN ALGORITMA GENETIKA UNTUK MEMPREDIKSI NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA
OPTIMASI FUZZY BACKPROPAGATION NEURAL NETWORK DENGAN ALGORITMA GENETIKA UNTUK MEMPREDIKSI NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA TUGAS AKHIR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciPREDIKSI TIME SERIES TINGKAT INFLASI INDONESIA MENGGUNAKAN EVOLUTION STRATEGIES
PREDIKSI TIME SERIES TINGKAT INFLASI INDONESIA MENGGUNAKAN EVOLUTION STRATEGIES Universitas Telkom Jl.Telekomunikasi No. 1, Terusan Buah Batu, Bandung ritaris@telkomuniversity.ac.id Abstrak Prediksi tingkat
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 terperinciBAB I PENDAHULUAN. A. Latar Belakang Pasar modal merupakan pasar untuk berbagai instrumen keuangan jangka
BAB I PENDAHULUAN A. Latar Belakang Pasar modal merupakan pasar untuk berbagai instrumen keuangan jangka panjang yang dapat diperjualbelikan, baik dalam bentuk utang ataupun modal sendiri. Pasar modal
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 441-450 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PREDIKSI DATA HARGA SAHAM HARIAN MENGGUNAKAN FEED FORWARD NEURAL
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Globalisasi dunia berdampak luas tidak hanya pada hubungan perdagangan antar negara tetapi juga pada kondisi perekonomian antar negara. Hal ini terbukti dengan meningkatnya
Lebih terperinciPREDIKSI DATA HARGA SAHAM HARIAN MENGGUNAKAN FEED FORWARD NEURAL NETWORKS (FFNN) DENGAN PELATIHAN ALGORITMA GENETIKA
PREDIKSI DATA HARGA SAHAM HARIAN MENGGUNAKAN FEED FORWARD NEURAL NETWORKS (FFNN) DENGAN PELATIHAN ALGORITMA GENETIKA (Studi Kasus pada Harga Saham Harian PT. XL Axiata Tbk) SKRIPSI Disusun oleh : IRA PUSPITA
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciKNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
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 terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
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 terperinciPeramalan Data IHSG Menggunakan Metode Backpropagation
Peramalan Data IHSG Menggunakan Metode Backpropagation Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang, Indonesia hansun@umn.ac.id Diterima 31 Agustus 2012 Disetujui
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciRancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika
1 Rancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika Annisti Nurul Fajriyah Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciPeramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika
Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output
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 3 METODOLOGI PENELITIAN
34 BAB 3 METODOLOGI PENELITIAN 3.1. Pendahuluan Pengenalan pola (pattern recognition) adalah proses klasifikasi dari suatu objek atau pola menjadi beberapa kategori atau kelas, yang mana bertujuan untuk
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Literatur Algoritma genetik merupakan salah satu algoritma yang biasanya digunakan dalam optimalisasi data. Namun penggunaan algoritma genetik dalam melakukan peramalan
Lebih terperinciPREDICTION OF AGRICULTURAL COMMODITIES PRICE USING HYBRID RADIAL BASIS FUNCTION NEURAL NETWORK WITH GENETIC ALGORITHM
PREDIKSI HARGA KOMODITAS PERTANIAN MENGGUNAKAN HYBRID ALGORITMA JARINGAN SYARAF TIRUAN ARSITEKTUR RADIAL BASIS FUNCTION (RBF) DENGAN ALGORITMA GENETIKA PREDICTION OF AGRICULTURAL COMMODITIES PRICE USING
Lebih terperinciPrediksi Harga Emas Batang Menggunakan Feed Forward Neural Network Dengan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2317-2322 http://j-ptiik.ub.ac.id Prediksi Harga Emas Batang Menggunakan Feed Forward Neural
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 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 terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-31
JURNAL SAINS DAN SENI ITS Vol 4, No2, (2015) 2337-3520 (2301-928X Print) A-31 Perbandingan Performansi Metode Peramalan Fuzzy Time Series yang Dimodifikasi dan Jaringan Syaraf Tiruan Backpropagation (Studi
Lebih 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 terperinciBAB III METODE PENELITIAN. Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika
BAB III METODE PENELITIAN 3.1. Waktu dan Tempat Penelitian Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Waktu penelitian dilaksanakan
Lebih terperinciPREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION
PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION (NEFCLASS) (STUDI KASUS: PROGRAM STUDI S1 TEKNIK INFORMATIKA, UNIVERSITAS TELKOM) Rita Rismala 1, Serli Fatriandini 2, Retno
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 terperinciPENERAPAN TEKNIK KLASIFIKASI PADA SISTEM REKOMENDASI MENGGUNAKAN ALGORITMA GENETIKA
PENERAPAN TEKNIK KLASIFIKASI PADA SISTEM REKOMENDASI MENGGUNAKAN ALGORITMA GENETIKA Rita Rismala 1, Mahmud Dwi Sulistiyo 2 Program Studi S1 Teknik Informatika, Fakultas Informatika Universitas Telkom 1,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada penelitian machine learning banyak sekali diperbincangkan tentang perilaku belajar mesin (komputer) agar mampu belajar dan berpikir cerdas layaknya manusia yang
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciJaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit
Jaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit Abidatul Izzah 1), Ratih Kartika Dewi 2) 1)2) Jurusan Teknik Informatika ITS Surabaya Jl. Teknik
Lebih terperinciPenggunaan Deep Learning untuk Prediksi Churn pada Jaringan Telekomunikasi Mobile Fikrieabdillah
ISSN : 2355-9365 e-proceeding of Engineering : Vol3, No2 Agustus 2016 Page 3882 Penggunaan Deep Learning untuk Prediksi Churn pada Jaringan Telekomunikasi Mobile Fikrieabdillah Ilmu Komputasi Universitas
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka (Samuel, Toni & Willi 2005) dalam penelitian yang berjudul Penerapan Algoritma Genetika untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih 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 terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciBAB 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 terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih terperinciBAB I PENDAHULUAN. Machine learning (ML), bagian dari kecerdasan buatan (artificial
BAB I PENDAHULUAN 1. 1.1. Latar Belakang Machine learning (ML), bagian dari kecerdasan buatan (artificial intelligence), merupakan metode untuk mengoptimalkan performa dari sistem dengan mempelajari data
Lebih terperinciPERAMALAN NILAI TUKAR MATA UANG MENGGUNAKAN ALGORITMA GRADIEN CONJUGATE DENGAN METODE FLETCHER-REEVES
PERAMALAN NILAI TUKAR MATA UANG MENGGUNAKAN ALGORITMA GRADIEN CONJUGATE DENGAN METODE FLETCHER-REEVES Wafistrietman Corris¹, Retno Novi Dayawati², Tjokorda Agung Budi Wirayuda³ ¹Teknik Informatika,, Universitas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Peranan pariwisata dalam pembangunan ekonomi tidak perlu dipertanyakan lagi. Dengan tidak tersedianya sumber daya alam seperti migas, hasil hutan ataupun industri manufaktur
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 terperinciPERANCANGAN APLIKASI JARINGAN SARAF TIRUAN UNTUK PREDIKSI NILAI TUKAR RUPIAH TERHADAP MATA UANG ASING
PERANCANGAN APLIKASI JARINGAN SARAF TIRUAN UNTUK PREDIKSI NILAI TUKAR RUPIAH TERHADAP MATA UANG ASING Danny Horia Komp. Duta Harapan Indah Blok JJ no 52 021-6682844 dannybinuz@gmail.com Binus University
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Delieh Chariesmawanty, 2015
BAB I PENDAHULUAN 1.1 Latar Belakang Ketersedian energi dapat berpengaruh terhadap pembangunan ekonomi suatu negara. Energi merupakan hal yang penting dalam proses produksi. Kebutuhan terhadap energi dapat
Lebih terperinciPEMBELAJARAN BERTINGKAT PADA ARSITEKTUR JARINGAN SARAF FUNGSI RADIAL BASIS
PEMBELAJARAN BERTINGKAT PADA ARSITEKTUR JARINGAN SARAF FUNGSI RADIAL BASIS Diana Purwitasari 1, Glory Intani Pusposari 2, Rully Sulaiman 3 Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN Titik Misriati AMIK BSI Jakarta Jl. R.S Fatmawati No. 24 Pondok Labu, Jakarta Selatan titik.tmi@bsi.ac.id ABSTRACT
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur
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 terperinciKLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF
KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Penjadwalan Penjadwalan kegiatan belajar mengajar pada suatu lembaga pendidikan biasanya merupakan salah satu pekerjaan yang tidak mudah dan menyita waktu. Pada lembaga pendidikan
Lebih terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
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 PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih terperinciESTIMASI PARAMETER MODEL HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK PADA HASIL PENGUKURAN MEAN SEA LEVEL SATELIT ALTIMETRI JASON 2
Vol. 7, No. 2, Desember 2012 ESTIMASI PARAMETER MODEL HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK PADA HASIL PENGUKURAN MEAN SEA LEVEL SATELIT ALTIMETRI JASON 2 Novi Mara KODE ARTIKEL : 117-2-12
Lebih terperinciBAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:
BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari
Lebih terperinciPrediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan Metode Genetic-Based Backpropagation
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 4, April 2017, hlm. 341-351 http://j-ptiik.ub.ac.id Prediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka berpikir Perubahan nilai tukar rupiah terhadap mata uang asing tidak dapat dihindari. Untuk mengatasi perubahan yang tidak pasti ini diperlukan suatu prediksi.
Lebih terperinciBAB 1 PENDAHULUAN. Pada masa sekarang ini, banyak jenis-jenis usaha dan bisnis yang mulai
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pada masa sekarang ini, banyak jenis-jenis usaha dan bisnis yang mulai dikembangkan oleh banyak orang terutama dalam hal bisnis investasi. Salah satu bisnis
Lebih terperinciPrediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation
Scientific Journal of Informatics Vol 3, No 1, Mei 2016 p-issn 2407-7658 http://journalunnesacid/nju/indexphp/sji e-issn 2460-0040 Prediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation
Lebih 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 terperinciPengaruh Jenis Pola Hujan Indonesia Terhadap Akurasi Prediksi Neural Network Curah Hujan
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Pengaruh Jenis Pola Hujan Indonesia Terhadap Akurasi Prediksi Neural Network Curah Hujan Bambang Lareno 1), Liliana Swastina
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. 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 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 terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
Lebih terperinciTAHUN AKADEMIK 2016/2017. : PENGANTAR INTELEGENSI BUATAN : Betha Nurina Sari, M.Kom. : Open Book via Google Form (90 Menit)
IFT 501 PANITIA UJIAN AKHIR SEMESTER GANJIL FAKULTAS ILMU KOMPUTER UNIVERSITAS SINGAPERBANGSA KARAWANG Jl. H.S. Ronggowaluyo Telukjambe Telp. (0267) 641177 Ex 307 Fax (0267) 641367 Karawang 41361 TAHUN
Lebih terperinciPemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat
Pemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat SKRIPSI Disusun oleh: MAULIDA NAJWA 24010212130028 DEPARTEMEN STATISTIKA
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciMATERI DAN METODE. Cara Pengambilan Data
MATERI DAN METODE Lokasi dan Waktu Penelitian ini dilaksanakan di Laboratorium Lapang Bagian Ilmu Produksi Ternak Perah, Fakultas Peternakan Institut Pertanian Bogor. Penelitian dilaksanakan selama dua
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 terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciOPTIMASI JARINGAN SARAF TIRUAN PADA OPTICAL CHARACTER RECOGNITION DENGAN MENGGUNAKAN IMAGE PREPROCESSING DAN ALGORITMA GENETIK
OPTIMASI JARINGAN SARAF TIRUAN PADA OPTICAL CHARACTER RECOGNITION DENGAN MENGGUNAKAN IMAGE PREPROCESSING DAN ALGORITMA GENETIK LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana Oleh:
Lebih terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Penelitian pada karya akhir ini membahas mengenai pengembangan model Artificial Neural Network serta menganalisa kemampuan Artificial Neural Network sebagai alat peramalan. Obyek yang
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciBAB III PERANCANGAN DAN METODOLOGI
BAB III PERANCANGAN DAN METODOLOGI Setelah bab sebelumnya membahas tentang teori teori yang mendasari perancangan dalam Tugas Akhir ini, maka pada bab ini akan dijelaskan mengenai bentuk perancangan Jaringan
Lebih terperinci