BAB IV. RANCANG BANGUN MODEL PENELITIAN
|
|
- Hamdani Hardja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB IV. RANCANG BANGUN MODEL PENELITIAN Bab ini membahas rancang bangun model dari sistem penunjang keputusan cerdas untuk sistem rantai pasokan beras di provinsi DKI Jakarta. Rancang bangun model dari penelitian tersebut mencakup empat subsistem sebagai berikut : 1. Subsistem prakiraan pasokan dan harga beras 2. Subsistem pemilihan pemasok beras 3. Subsistem distribusi dan transportasi beras 4. Subsistem kinerja rantai pasokan beras. Tujuan dari penelitian ini adalah untuk menghasilkan rancang bangun model sistem pendukung keputusan cerdas dari rantai pasokan beras di provinsi DKI Jakarta yang efektif dan efisien. Seperti telah dijelaskan pada Bab I, rancangan model dianggap efektif apabila model dapat menjadi alternatif pertimbangan dari para pelaku perberasan di PIBC untuk dapat dimanfaatkan sebagai alat bantu pengambilan keputusan. Walaupun menurut Kelvin (2011) ukuran kinerja sangat diperlukan untuk mengelola suatu aktifitas, tetapi menurut Bullock (2006), saat ini tidak ada kerangka formal untuk menentukan ukuran efektifitas suatu kinerja, namun suatu umpan balik (feedback) sangat diperlukan untuk mengukur efektifitas tersebut. Berdasarkan Kelvin (2011) dan Bullock (2006) di atas, di bawah ini dijelaskan satu batasan untuk menyatakan model yang dihasilkan pada penelitian ini dianggap efektif, yaitu apabila menurut para pakar nilai manfaat dari model tersebut lebih besar dari nilai rata-rata nya. Untuk mendukung formalisasi batasan tersebut, para pakar diminta memberikan nilai rata-rata manfaat sebagai umpan balik terhadap model-model yang dihasilkan pada penelitian ini. Pakar memberi nilai lima apabila model dianggap sangat bermanfaat, nilai empat apabila model dianggap bermanfaat, nilai tiga apabila model dianggap cukup bermanfaat, nilai dua apabila model dianggap tidak bermanfaat dan nilai satu apabila model dianggap sangat tidak bermanfaat. Melalui batasan di atas, maka model dalam penelitian ini dianggap efektif apabila nilai rata-rata manfaat dari para pakar lebih
2 84 besar dari tiga dan dianggap tidak efektif apabila nilai rata-rata manfaat dari model yang dihasilkan kurang dari tiga. Dengan demikian definisi model dianggap efektif apabila model memenuhi aturan berikut : dengan = dan : nilai rata-rata manfaat dari model subsistem ke. : nilai manfaat menurut pakar ke untuk model subsistem ke. = 1, 2,, m dan = 1,2,, n Melalui definisi tersebut, selanjutnya apabila model dianggap efektif maka model dapat menjadi alternatif untuk dipertimbangkan sebagai alat bantu pengambilan keputusan oleh para pelaku usaha dalam rantai pasokan perberasan di provinsi DKI Jakarta. Demikian pula, rancangan model didefinisikan efisien apabila model dapat menunjukkan hasil yang lebih cepat dari segi waktu, lebih murah dari segi biaya, lebih sedikit dari penggunaan aset dan model lebih mudah dijelaskan secara rasional kepada masyarakat umum. 4.1 Subsistem Prakiraan Pasokan dan Harga Beras Pada subsistem ini, model dikembangkan dengan menggunakan metode Jaringan Syaraf Tiruan (JST) untuk memperkirakan pasokan beras dan harga beras. Tujuan subsistem prakiraan pasokan dan prakiraan harga beras pada penelitian ini adalah menghasilkan program komputasi dengan ciri-ciri berikut : 1. Digunakan untuk memperkirakan jumlah pasokan beras dari PIBC ke berbagai wilayah di propinsi DKI Jakarta. 2. Digunakan untuk memperkirakan harga beras jenis Muncul/ III dan IR 64/ III di pasar induk beras Cipinang (PIBC) Jakarta. 3. Digunakan sebagai suatu sistem peringatan dini dalam mengantisipasi pasokan dan harga beras yang tidak dikehendaki. Pasokan dan harga beras yang tidak
3 85 dikehendaki adalah pasokan dan harga beras yang dapat menimbulkan kepanikan pasar. Hal ini dapat terjadi apabila pasokan kurang dari kebutuhan atau harga melonjak dari harga beras normal. Tahapan perancangan jaringan syaraf tiruan untuk prakiraan pasokan dan harga beras dapat dilihat pada Gambar 32. Langkah awal adalah membuat arsitektur jaringan syaraf tiruan, dilanjutkan dengan pencarian data dan penentuan data input. Ketepatan dalam penentuan input menentukan ketepatan hasil prediksi. Data yang digunakan adalah data sekunder mengenai pasokan dan harga beras yang diperoleh dari pasar induk beras Cipinang (PIBC) Jakarta dimulai dari Januari 2009 sampai dengan Juli Data awal adalah data harian, tetapi dalam penelitian ini data dikelompokan setiap minggu, sehingga diperoleh data sebanyak delapan puluh satu minggu. Mulai Fungsi aktivasi Algoritma pelatihan Momentum Hidden neuron, Error Arsitektur JST untuk prakiraan pasokan dan harga Beras Data Pelatihan Pelatihan JST Output: MSE, Epoch, R Tidak Sesuai Ya Data Pengujian Pengujian JST Tidak Sesuai Input: Data mingguan 4 minggu terakhir Ya JST Terbaik Data kebutuhan beras penduduk Data rata-rata harga beras Peringatan Dini Output: Hasil prediksi pasokan & harga beras 2 minggu ke depan Selesai Gambar 32. Tahapan Perancangan Jaringan Syaraf Tiruan Untuk Prakiraan serta Peringatan Dini Dari Pasokan dan Harga Beras.
4 86 Pada penelitian ini dirancang JST dengan satu hidden layer dengan menggunakan algoritma backpropagation. Backpropagation merupakan salah satu algoritma pembelajaran terawasi (supervised learning) (Patuelli, 2006 dan Seminar, 2010). JST dirancang dengan arsitektur JST tiga lapis (Kahfourushan, 2010). JST tersebut diperoleh dengan cara uji coba berbagai parameter JST. Jumlah neuron yang dicoba adalah jumlah neuron dalam hidden layer, sedangkan parameter lain yang diuji coba adalah fungsi aktivasi, algoritma pelatihan dan momentum. Pada penelitian ini jumlah neuron yang diujicoba pada lapisan tersembunyi (hidden layer) jumlahnya berbeda-beda yaitu sebanyak empat, delapan dan dua belas buah. Parameter output yang dihasilkan adalah MSE (mean square error), jumlah iterasi (epoch) dan koefisien korelasi (R). Menurut Munakata (2008), algoritma dasar backpropagation memiliki tiga fase di bawah : 1. Fase feedforward pola input pembelajaran/pelatihan 2. Fase kalkulasi dan backpropagation error 3. Fase penyesuaian bobot untuk memperbaiki output mendekati target. Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap forward propagasi harus dikerjakan terlebih dahulu. Pada saat forward propagation, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi. Pada jaringan feedforward, pelatihan dilakukan dalam rangka melakukan pengaturan bobot, sehingga pada akhir pelatihan diperoleh bobot-bobot terbaik. Selama proses pelatihan, bobot-bobot diatur secara iteratif untuk meminimumkan fungsi kinerja jaringan. Fungsi kinerja yang sering digunakan untuk backpropagation adalah mean square error (MSE). Fungsi ini mengambil ratarata kuadrat error yang terjadi antara output jaringan dan target. Sebagian besar algoritma pelatihan untuk jaringan feedforward menggunakan gradien dari fungsi kinerja untuk menentukan bagaimana mengatur bobot dalam rangka meminimumkan kinerja. Gradien ini ditentukan dengan menggunakan suatu teknik yang disebut dengan nama backpropagation. Pada dasarnya algoritma backpropagation menggerakkan bobot dengan arah gradien negatif, algoritma ini
5 87 memiliki prinsip dasar memperbaiki jaringan dengan arah yang membuat fungsi kinerja menjadi turun dengan cepat (Seminar, 2010). Alternatif spesifikasi yang dicoba pada penelitian untuk memperoleh rancangan arsitektur JST dengan kinerja yang terbaik disajikan pada Tabel 15. Tabel 15 merupakan contoh pemilihan arsitektur JST Prakiraan Harga Beras Tipe IR64/III. Untuk memperoleh rancangan arsitektur JST backpropagation dengan kinerja sistem yang terbaik diperlukan tahapan sebagai berikut (Silvia, 2007): a. Pemilihan Fungsi Aktivasi Beberapa alternatif fungsi aktivasi JST yang dicobakan dalam penelitian ini dapat dilihat dari Gambar 33 sampai dengan Gambar Fungsi sigmoid bipolar (tansig) Fungsi ini memiliki output dengan interval nilai antara -1 sampai 1. Notasinya tansig(n) = 2/(1+exp(-2*n))-1) Gambar 33. Fungsi Aktivasi Sigmoid Bipolar - Fungsi sigmoid biner (logsig) Fungsi ini memiliki output dengan nilai interval antara 0 sampai 1. Notasinya logsig(n) = 1/(1+exp(-n)). Gambar 34. Fungsi Aktivasi Sigmoid Biner - Fungsi identitas (purelin) Fungsi ini memiliki nilai output yang sama dengan nilai inputnya. Notasinya purelin(n) = n. Gambar 35. Fungsi Aktivasi Identitas (Purelin)
6 88 b. Pemilihan Algoritma Pelatihan Proses pelatihan jaringan backpropagation standar dengan metode penurunan gradien (traingd) seringkali lambat. Beberapa alternatif yang dicoba untuk mempercepat proses belajar Jaringan Syaraf Tiruan (JST) pada penelitian ini menggunakan (Silvia, 2007): - Metode penurunan gradien dengan penambahan momentum (traingdm) Metode penurunan gradien sangat lambat dalam kecepatan proses iterasi. Dengan penambahan momentum, perubahan bobot tidak hanya didasarkan atas error yang terjadi pada iterasi (epoch) saat itu, tetapi juga memperhitungkan perubahan bobot pada epoch sebelumnya. Faktor momentum (besarnya efek perubahan bobot terdahulu) dapat diatur antara 0 sampai 1. Faktor momentum 0 berarti perubahan bobot hanya dilakukan berdasarkan error saat ini (penurunan gradien murni). - Metode penurunan gradien dengan momentum dan learning rate (traingdx) Traingdx merupakan fungsi pelatihan jaringan yang memperbaharui bobot dan nilai bias sesuai dengan penurunan gradien momentum dan learning rate adaptif. Learning rate merupakan parameter pelatihan yang mengendalikan perubahan nilai bobot dan bias selama pelatihan. - Metode Levenberg-Marquadt (trainlm) Trainlm merupakan fungsi pelatihan jaringan yang memperbaharui bobot dan nilai bias sesuai dengan optimasi Levenberg-Marquadt. - Metode Resilient Backpropagation (trainrp) Jaringan backpropagation umumnya menggunakan fungsi aktivasi sigmoid. Fungsi sigmoid menerima masukan dari daerah hasil (range) tak berhingga menjadi keluaran pada daerah hasil (0,1). Semakin jauh titik dari x = 0, semakin kecil gradiennya. Pada titik yang cukup jauh dari x = 0, gradiennya mendekati 0. Hal ini menimbulkan masalah pada waktu menggunakan metode penurunan tercepat (yang iterasinya didasarkan pada gradien). Gradien yang kecil menyebabkan perubahan bobot juga kecil, meskipun masih jauh dari titik optimal. Masalah
7 89 tersebut diatasi dalam resilient backpropagation dengan cara membagi arah perubahan bobot menjadi dua bagian yang berbeda (Siang, 2004). Pemilihan Nilai Momentum Penambahan momentum dapat menghindari perubahan bobot yang mencolok akibat adanya data yang sangat berbeda dengan yang lain. Momentum adalah perubahan bobot yang didasarkan atas arah gradien pola terakhir dan pola sebelumnya yang dimasukkan. Nilai momentum yang baik ditentukan dengan cara trial and error (Silvia, 2007). Beberapa alternatif nilai momentum yang dicobakan pada penelitian ini adalah 0.005, 0.05, 0.1, 0.5 dan 0.9. Nilai-nilai ini diambil dengan syarat berada di antara 0 dan 1. Pemilihan Target (Goal) Toleransi Error. Goal error yang dicoba adalah 0.01, dan Nilai tersebut merupakan batas toleransi nilai error yang ditentukan agar iterasi dihentikan pada saat nilai error lebih kecil dari batas yang ditentukan atau jumlah epoch telah mencapai batas yang ditentukan. Pemilihan Arsitektur Hidden Layer Penentuan arsitektur hidden layer terdiri dari dua bagian, yaitu penentuan jumlah layer dan ukuran layer (jumlah neuron dalam hidden layer). Menurut Seminar et al. (2010), secara umum satu lapisan tersembunyi sudah cukup untuk sembarang pemetaan kontinyu dari pola input ke pola output pada sembarang tingkat akurasi. Untuk itu pada penelitian ini digunakan satu hidden layer. Trial dan error dilakukan pada beberapa alternatif jumlah neuron dalam hidden layer kemudian dipilih alternatif yang memiliki kinerja yang terbaik. Pada spesifikasi pertama dicoba arsitektur dengan beberapa alternatif jumlah neuron, yaitu empat neuron, delapan neuron dan dua belas neuron. Dari beberapa alternatif tersebut dipilih mana yang terbaik. Arsitektur hidden layer dengan kinerja terbaik dipilih untuk rancangan, pelatihan dan pengujian JST. Tabel 16 adalah contoh pemilihan fungsi aktivasi dan algoritma pelatihan untuk JST prakiraan harga beras jenis IR64/ III.
8 90 Pada perancangan arsitektur JST tersebut, pemilihan arsitektur dilakukan dengan cara memilih arsitektur terbaik dari beberapa alternatif kombinasi pada saat pelatihan. Fungsi aktivasi logsig dan algoritma pelatihan trainlm pada spesifikasi JST ke delapan dari Tabel 16 dipilih karena dari hasil proses pelatihan diperoleh MSE yang terkecil. Selama proses pemilihan arsitektur JST tersebut parameter lain seperti momentum, neuron hidden, epoch dan goal ditentukan secara acak kemudian spesifikasi terbaik yang diperoleh digunakan untuk menentukan parameter selanjutnya yang sebelumnya ditentukan secara acak. Tabel 16. Pemilihan Fungsi Aktivasi dan Algoritma Pelatihan Untuk JST Spesifikasi JST Fungsi Aktivasi Algoritma Pelatihan MSE Epoch R 1 traingd traingdm Tansig 3 traingdx trainlm traingd traingdm Logsig 7 traingdx trainlm traingd traingdm Purelin 11 traingdx trainlm Melalui spesifikasi terbaik dari Tabel 16, diperoleh arsitektur JST terbaik dengan fungsi aktivasi adalah logsig, algoritma pelatihan adalah trainlm, nilai MSE sebesar , jumlah iterasi (epoch) adalah 10 dan nilai korelasi (R) adalah Selanjutnya dilakukan pemilihan parameter momentum seperti dapat dilihat pada Tabel 17. Tabel 17. Pemilihan Momentum Untuk JST Prakiraan Harga Beras IR 64/ III Spesifikasi JST Nilai Momentum MSE Epoch R
9 91 Melalui spesifikasi terbaik dari Tabel 17, diperoleh arsitektur JST terbaik dengan nilai momentum 0.005, nilai MSE sebesar , jumlah iterasi (epoch) adalah 19 dan nilai korelasi (R) adalah Selanjutnya dilakukan pemilihan toleransi error melalui beberapa nilai error seperti dapat dilihat pada Tabel 18. Tabel 18. Pemilihan Toleransi Error Untuk JST Terbaik Spesifikasi JST Toleransi error MSE Epoch R Melalui spesifikasi terbaik dari Tabel 18, diperoleh arsitektur JST terbaik dengan toleransi error sebesar 0.001, nilai MSE sebesar , jumlah iterasi (epoch) adalah 19 dan nilai korelasi nya adalah Selanjutnya dilakukan pemilihan jumlah neuron untuk hidden layer melalui beberapa jumlah neuron hidden seperti dapat dilihat pada Tabel 19. Tabel 19. Pemilihan Jumlah Neuron Hidden Untuk JST Terbaik Spesifikasi JST Jumlah Hidden Neuron MSE Epoch R Berdasarkan spesifikasi terbaik dari Tabel 16 sampai dengan Tabel 19, maka arsitektur JST terbaik untuk prakiraan harga beras IR 64/ III dapat dilihat pada Tabel 20. Tabel 20. Arsitektur JST Terbaik Untuk Prakiraan Harga Beras IR 64/ III Karakteristik Jumlah neuron input Jumlah neuron hidden Jumlah neuron output Fungsi Aktivasi Algoritma pelatihan Keterangan logsig trainlm
10 92 Tabel 20. Arsitektur JST terbaik untuk Prakiraan Harga Beras IR 64/ III (lanjutan) Karakteristik Keterangan Momentum Epoch Error Proses Pelatihan Tujuan diadakannya proses pelatihan pada JST adalah agar JST dapat diandalkan dalam mengenali pola yang dimasukkan ke dalam jaringan sehingga dapat dijadikan dasar pengalaman dalam melakukan prakiraan. Menurut Silvia (2007), kinerja yang diukur pada proses pelatihan jaringan syaraf tiruan adalah sebagai berikut : Lamanya proses iterasi pelatihan (jumlah epoch) Semakin cepat proses pelatihan maka semakin baik kinerja proses pelatihan tersebut. Hal ini berarti jumlah epoch untuk mencapai nilai error yang diinginkan adalah berjumlah minimal. Satu epoch adalah satu siklus yang melibatkan seluruh pola data pelatihan. Jumlah maksimum iterasi yang dicobakan pada proses pelatihan pada penelitian ini ditetapkan 5000 epoch atau dapat juga lebih besar dari jumlah tersebut supaya proses iterasi dapat menghasilkan error yang diinginkan. Perhitungan mean square error (MSE). Perhitungan error merupakan satu pengukuran bagaimana jaringan dapat belajar dengan baik. Apabila nilai error tersebut masih cukup besar, hal ini mengindikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran lagi hingga nilai error mendekati nol. Apabila output jaringan tepat sama dengan target maka nilai error bernilai 0. Frekuensi perubahan MSE ditampilkan setiap 100 epoch. Koefisien korelasi (R) terhadap respon output jaringan dan target yang diinginkan. Apabila output jaringan tepat sama dengan target maka koefisien korelasi bernilai 1. Proses pelatihan pada penelitian ini menggunakan lima puluh pola yang dilakukan untuk melatih JST agar JST dapat mengenali pola yang diujikan.
11 93 Pada proses pelatihan dilakukan pemilihan JST yang memiliki kinerja terbaik. Pemilihan JST dengan kinerja terbaik tersebut dilakukan dengan uji coba sampai diperoleh error yang terkecil yang memenuhi target yang sudah ditentukan atau memiliki tingkat akurasi yang paling tinggi. Data Penelitian Data yang digunakan dalam pengembangan JST untuk prakiraan pasokan dan harga beras adalah data mengenai jumlah pasokan dan harga beras yang diperoleh dari PIBC. Data tersebut adalah data pasokan dan data harga beras harian yang dikumpulkan dari mulai tanggal 1 Januari 2009 sampai dengan 24 Juli Data harian diubah menjadi data mingguan yang selanjutnya dijadikan data input jaringan untuk memperkirakan pasokan beras dan harga beras selama dua minggu ke depan. Data input yang digunakan untuk memperkirakan pasokan beras dan harga beras adalah data pasokan beras dan data harga beras selama empat minggu terakhir. Data yang diperoleh dibuat pola yang selanjutnya dimasukkan ke dalam jaringan. Pola yang dibuat adalah empat input dan dua output. Pola yang diperoleh adalah sebanyak tujuh puluh lima pola, dengan rincian lima puluh pola digunakan untuk pelatihan dan dua puluh lima pola lagi digunakan untuk pengujian. Pola tersebut dapat dilihat pada Lampiran 4.1 sampai dengan Lampiran 4.3. Aturan Untuk Peringatan Dini Untuk aturan peringatan dini dari JST prakiraan harga beras, aturan tersebut diperoleh melalui diskusi dengan pakar di FSTJ. Menurut pimpinan FSTJ, masyarakat di DKI Jakarta masih menolerir kenaikan harga beras apabila harga beras meningkat di bawah lima persen. Apabila kenaikan harga beras di PIBC melonjak lebih dari sepuluh persen dari harga normal, maka masyarakat DKI Jakarta tidak dapat menerimanya dan selanjutnya pihak pemerintah melalui BULOG divisi regional DKI Jakarta melaksanakan operasi pasar. Berdasarkan hasil diskusi pimpinan FSTJ tersebut maka dibuat aturan peringatan dini untuk prakiraan harga beras yang secara rinci dapat dilihat pada Tabel 21.
12 94 Aturan peringatan dini untuk harga beras tersebut memerlukan variabel input dan variabel output sebagai berikut : Variabel input : harga untuk minggu ke-i, i = 1, 2, 3, 4 Variabel output : prakiraan harga untuk minggu ke-j, j = 5, 6, dengan, dan, Tabel 21. Aturan Peringatan Dini Untuk Harga Beras Peringatan Dini Minggu Ke Lima Peringatan Dini Minggu Ke Enam Jika Jika maka harga beras aman maka harga beras aman Jika Jika maka harga beras harus diwaspadai maka harga beras harus diwaspadai Jika Jika maka harga beras rawan maka harga beras rawan Dari Table 21, dapat dinyatakan bahwa pemerintah melaksanakan operasi pasar untuk menekan harga beras, apabila untuk minggu ke lima atau minggu ke enam, prakiraan harga beras menunjukkan harga rawan atau harga beras melonjak lebih besar dari sepuluh persen dibandingkan dengan harga normal. Pemerintah perlu mewaspadai harga beras, apabila prakiraan harga beras pada minggu ke lima atau minggu ke enam berada di antara lima persen sampai dengan sepuluh persen di atas harga normal, sedangkan apabila prakiraan harga beras pada minggu ke lima atau minggu ke enam berada di bawah lima persen dari harga normal, maka harga beras tersebut dinyatakan aman. Proses Pengujian Proses pengujian dilakukan dengan menggunakan arsitektur JST hasil pelatihan yang memiliki kinerja terbaik yaitu yang menghasilkan nilai error dan epoch terkecil. Arsitektur JST terbaik yang dihasilkan dalam penelitian ini dapat dilihat pada Tabel 22. Proses pengujian dilakukan dengan menggunakan dua
13 95 puluh lima data uji dan hasil pengujian data uji tersebut dapat dilihat pada Lampiran 5. Berdasarkan hasil pengujian diperoleh tingkat akurasi JST dalam mengenali pola yang dapat dilihat pada Tabel 23, sedangkan grafik perbandingan antara data aktual dengan hasil uji tersebut dapat dilihat pada Lampiran 6.1 sampai dengan Lampiran 6.3. JST yang dirancang memiliki tingkat akurasi tertentu sesuai dengan keberhasilan jaringan dalam mengenali pola pada proses pengujian.tingkat akurasi yang didapat adalah kemampuan JST dalam mengenali pola yang diujikan berdasarkan hasil pelatihan sebelumnya. Tingkat akurasi, misal 98.63% pada JST untuk prakiraan harga beras tipe IR 64 mutu III (IR 64/III) artinya 98.63% hasil pengujian sesuai dengan data sebenarnya di lapangan. Tabel 22. Arsitektur JST Terbaik Dengan Metode Backpropagation. Karakteristik JST Pasokan JST Harga Muncul/ III JST Harga IR/64 Jumlah neuron pada input layer 4 neuron 4 neuron 4 neuron Jumlah neuron pada output layer 2 neuron 2 neuron 2 neuron Fungsi Aktivasi logsig logsig logsig Algoritma Training trainlm trainrp trainlm Momentum Learning rate Goal error Neuron hidden layer 8 neuron 8 neuron 8 neuron Tabel 23. Tingkat Akurasi Hasil Pengujian JST Terhadap Data Aktual Jaringan Syaraf Tiruan Tingkat Akurasi (%) Prakiraan Pasokan Beras Prakiraan Harga Beras Muncul/ III Prakiraan Harga Beras IR 64/ III 98.63
14 Subsistem Pemilihan Pemasok Beras Pada subsistem ini, dikembangkan model pemilihan pemasok beras dengan menggunakan metode technique for order preference by similarity to ideal solution (TOPSIS). Tujuan subsistem ke dua pada penelitian ini adalah menentukan pemasok beras terpilih dari beberapa alternatif pemasok yang ada yang memenuhi kriteria yang sudah ditetapkan. Kriteria yang dipergunakan dalam memilih pemasok beras adalah harga, kadar air, kotoran, tingkat keputihan, patahan beras, waktu pengantaran, kuantitas jumlah pasokan dan jarak pemasok ke PIBC. Sedangkan pemasok beras diperoleh dari berbagai sentra produksi beras seperti Karawang, Indramayu, Subang, Cirebon, Bandung, Cianjur, Banten, Jateng, Jatim, Lampung dan Makasar. Tahapan pemilihan pemasok beras menggunakan metode TOPSIS dapat dilihat pada Gambar 36. Pada proses perhitungan dengan menggunakan metode TOPSIS, beberapa aspek yang diperlukan terkait dengan kebutuhan input, proses dan output untuk komoditas beras adalah sebagai berikut : 1) Kebutuhan Input Model yang dibangun membutuhkan data input sebagai berikut : a. Data alternatif, digunakan untuk menentukan setiap alternatif pemasok. b. Data kriteria, digunakan untuk menentukan nilai setiap atribut seperti harga beras, mutu beras dan kriteria pemasok beras. c. Data nilai bobot, digunakan untuk menentukan tingkat pembobotan setiap kriteria. Bobot satu kriteria dapat berbeda dibanding bobot kriteria lainnya. 2) Kebutuhan Proses Model yang dibangun mengolah data input menjadi output. Kebutuhan proses tersebut antara lain : a. Proses input data matriks keputusan dan matriks vektor bobot b. Proses perhitungan untuk mencari peringkat pemasok beras terbaik. 3) Kebutuhan Output Output yang dihasilkan dari subsistem penelitian ini adalah : a. Nilai preferensi setiap alternatif, dimana alternatif yang menunjukkan nilai tertinggi merupakan alternatif dengan peringkat terbaik. b. Diagram yang memperlihatkan urutan peringkat pemasok beras ke PIBC.
15 97 Mulai Input Data 1. Data para pemasok diperoleh dari PIBC 2. Data kriteria beras dan standar mutu beras SNI Data bobot kriteriadari pakar di PIBC Pembuatan matriks perhitungan (matriks awal) berdasarkan input dengan metode TOPSIS (technique for order preference by similarity to ideal solution) Normalisasi matriks dengan cara membagi nilai masing-masing kolom dengan akar kuadrat dari jumlah masing-masing kuadrat dari tiap kolom sehingga diperoleh matriks R Perhitungan masing-masing matriks R dengan bobot yang telah ditetapkan untuk setiap kriteria sehingga didapat nilai y, sehingga didapatkan matriks Y Mencari solusi ideal (nilai A) : Solusi Ideal Positif (A+) : 1. Didapatkan dengan cara mencari nilai terendah pada masing-masing kolom matriks Y untuk fungsi minimum 2. Didapatkan dengan cara mencari nilai tertinggi pada masing-masing kolom matriks Y untuk fungsi maksimum Solusi Ideal Negatif (A-) : 1. Didapatkan dengan cara mencari nilai tertinggi pada masing-masing kolom matriks Yuntuk fungsi minimum 2. Didapatkan dengan cara mencari nilai terendah pada masing-masing kolom matriks Y untuk fungsi maksimum A
16 98 A Perhitungan jarak antara solusi ideal dengan alternatif (Nilai D) Jarak Solusi Ideal Positif dengan Alternatif Ai (D+) : Didapatkan melalui perhitungan nilai masing-masing anggota akar kuadrat jumlah kuadrat solusi ideal positif untuk tiap kriteria dengan dikurangi nilai dari baris tiaptiap alternatif. Jarak Solusi Ideal Negatif dengan Alternatif Ai (D-) : Didapatkan melalui perhitungan nilai masing-masing anggota akar kuadrat jumlah kuadrat solusi ideal negatif untuk tiap kriteria dengan dikurangi nilai dari baris tiaptiap alternatif. Perhitungan nilai preferensi untuk setiap alternatif (Vi), dengan melakukan perhitungan jarak solusi ideal negatif dengan alternatif Ai (D-) dibagi jumlah dari jarak solusi ideal positif (D+) dan ideal negatif (D-) Pemilihan pemasok beras berdasarkan nilai preferensi tertinggi (Vi) dari masing-masing alternatif pemasok beras. Selesai Gambar 36. Tahap Pemilihan Pemasok Beras Menggunakan TOPSIS 4.3 Subsistem Distribusi dan Transportasi Beras Pada subsistem ini, dikembangkan model distribusi dan transportasi beras dengan menggunakan metode metaheuristic simulated annealing. Tujuan subsistem ke tiga pada penelitian ini adalah sebagai berikut :
17 99 1. Menentukan rute terpendek dalam rangka pendistribusian beras dari pusat distribusi, yaitu dari PIBC ke titik-titik distribusi yang perlu dipasok di wilayah DKI Jakarta. 2. Mengalokasikan jumlah armada yang efektif dengan cara pengisian terlebih dahulu armada pertama dan armada berikutnya dengan kapasitas tertentu sampai kapasitasnya terisi optimal. Perhitungan algoritma simulated annealing dilakukan melalui beberapa tahap sebagai berikut Hafirudin (2006) dan Wirdianto et al. (2007) : Tahap pertama yaitu pencarian solusi awal yang diperoleh melalui metode nearest neighbour. Solusi awal menghasilkan rute dengan jarak terdekat dari depot hingga semua titik konsumen terlayani. Rute ini selanjutnya diperiksa apakah layak atau tidak sesuai dengan jumlah kendaraan yang tersedia. Jika tidak layak maka pencarian solusi terus dilakukan, sebaliknya solusi awal disimpan menjadi solusi terbaik saat ini. Solusi pada tahap awal ini menjadi masukan untuk pembentukan solusi pada tahap selanjutnya. Untuk mendapatkan solusi awal dalam simulated annealing digunakan metode nearest neighbour. Langkah langkah penggunaan metode tersebut dalam pemecahan masalah transportasi, adalah sebagai berikut : Ditampilkan truk atau kendaraan yang ditugaskan beserta titik-titik konsumen yang dilaluinya. Langkah 1 : ditentukan depot sebagai titik awal Langkah 2 : dicari konsumen dengan titik terdekat dari titik sebelumnya Langkah 3 : ditentukan titik pemberhentian berikutnya Langkah 4 : kembali ke langkah 2 sampai semua titik terlayani Langkah 5 : ditentukan rute baru T n = depot K 1 K 2... K n depot Langkah 6 : lakukan langkah yang sama untuk truk atau kendaraan berikutnya. Tahap kedua adalah mencari solusi tetangga dari solusi yang terbaik yang dihasilkan pada tahap sebelumnya. Metode yang digunakan dalam tahap ini yaitu Or Opt. Solusi tetangga pada tahap ini juga selanjutnya diuji, apakah rute yang dihasilkan sesuai dengan kapasitas kendaraan. Selanjutnya pada
18 100 tahap tersebut diperoleh beberapa solusi tetangga sesuai dengan variabel jumlah solusi tetangga maksimum, oleh karena itu harus dipilih salah satunya untuk menjadi solusi terbaik. Solusi terbaik pada tahap ini selanjutnya dibandingkan dengan solusi awal terbaik. Jika solusi tetangga lebih baik dari solusi awal maka solusi tetangga tersebut menjadi solusi terbaik saat ini. Jika tidak maka solusi tetangga tersebut masih mempunyai kesempatan untuk untuk menjadi solusi terbaik dengan terlebih dahulu melalui tahap ketiga. Tahap ketiga adalah penerimaan solusi inferior (solusi yang tidak melakukan perbaikan). Simulated annealing memperbolehkan penerimaan solusi inferior dengan perhitungan probabilitas, yaitu : P = e - δl/t Probabilitas selanjutnya dibandingkan dengan bilangan random : p (0 < p < 1) Jika bilangan random p lebih kecil dari probabilitas P (p < P) maka solusi inferior ini diterima dan sebaliknya. Tahap keempat yaitu tahap pengecekan. Pengecekan terhadap dua variabel : 1. T (suhu) akhir dan 2. Iterasi maksimum Jika salah satu dari kedua variabel tersebut terpenuhi maka pencarian solusi dengan metode simulated annealing dihentikan. Jika tidak, pencarian solusi terus dilakukan. 4.4 Subsistem Kinerja Rantai Pasokan Beras Pada subsistem ini, dikembangkan model kinerja rantai pasokan beras dengan menggunakan metode FIS (fuzzy inference system). Model kinerja diperlukan untuk mengukur kinerja, sementara ukuran kinerja diperlukan untuk perbaikan operasional pada suatu sistem pada setiap periode (Olugu, 2009). Model subsistem-4 pada penelitian ini dapat dipergunakan untuk hal-hal berikut : 1. Mengukur kinerja dari rantai pasok beras di PIBC untuk suatu waktu tertentu. 2. Menjadi model antisipasi atau model target dari kinerja rantai pasok beras PIBC di masa mendatang.
19 101 Proses FIS yang dipergunakan pada penelitian untuk subsistem kinerja rantai pasokan beras ini memiliki pentahapan yang dapat dilihat pada Gambar 37. Input Data Dari 3 Subsistem Fuzzifikasi Basis Pengetahuan Logika Keputusan Defuzzifikasi Output Kinerja Rantai Pasok Beras Gambar 37. Proses FIS Untuk Mengukur Kinerja Rantai Pasokan Beras di Provinsi DKI Jakarta (Diadaptasi dari Olugu, 2009) Pentahapan dari proses FIS tersebut dapat diuraikan sebagai berikut : 1. Input Data. Diperoleh dari tiga subsistem sebelumnya, yaitu dari subsistem prakiraan pasokan dan harga beras, pemilihan pemasok beras dan subsistem distribusi dan transportasi beras yang dapat dilihat pada Gambar Fuzzifikasi. Proses ini menjadikan data input dari tiga subsistem tersebut menjadi bernilai fuzzy melalui fungsi keanggotaan (membership function). Pada penelitian ini, dibuat suatu fuzzifikasi melalui fungsi keanggotaan TFN (triangular fuzzy number) yang memiliki selang tiga nilai. Misal untuk subsistem prakiraan pasokan dan harga beras, nilai fuzzy untuk tidak akurat ada pada selang tiga nilai [0 0 0,4], nilai untuk cukup akurat ada pada selang tiga nilai [0,1 0,5 0,9] dan untuk akurat ada pada selang tiga nilai [0,6 1 1].
20 102 Secara lebih rinci dapat dilihat pada Tabel 24. Output untuk kinerja rantai pasokan juga melewati proses fuzifikasi seperti dapat dilihat pada Tabel 25. Tabel 24. Fuzzifikasi Tiga Input Data Untuk Fuzzy Inference System Input Himpunan Fuzzy Subsistem prakiraan pasokan dan harga beras Subsistem pemilihan pemasok beras Subsistem distribusi dan transportasi beras Subhimpunan Pertama Tidak Akurat [0 0 0,4] Tidak Lancar [0 0 0,4] Tidak Lancar [0 0 0,4] Subhimpunan Kedua Cukup Akurat [0,1 0,5 0,9] Cukup Lancar [0,1 0,5 0,9] Cukup Lancar [0,1 0,5 0,9] Subhimpunan Ketiga Akurat [0,6 1 1] Lancar [0,6 1 1] Lancar [0,6 1 1] Gambar 38. Input Data Untuk Proses FIS Tabel 25. Fuzzifikasi Output Data Untuk Fuzzy Inference System Output Himpunan Fuzzy Kinerja Rantai Pasokan Subhimpunan Pertama Tidak Baik [0 0 0,4] Subhimpunan Kedua Cukup Baik [0,1 0,5 0,9] Subhimpunan Ketiga Baik [0,6 1 1]
21 Logika Keputusan. Pada tahap ini menurut Elmahi et al. (2002), dibuat suatu aturan yang didasarkan kepada logika Jika Maka (If Then Rule), sedangkan menurut Pongpaibool (2007), aturan Jika Maka dibuat berdasarkan pada pakar di lapangan yang memiliki keahlian dalam bidang yang dikerjakannya. Aturan Jika Maka pada penelitian ini telah didiskusikan dengan pakar di PIBC. Untuk logika keputusan pada kinerja rantai pasokan beras ini dapat dihasilkan aturan sebanyak dua puluh tujuh aturan. Aturan tersebut secara keseluruhan dapat dilihat pada Tabel 26, sedangkan tampilan pada software MatLab dapat dilihat pada Gambar 39. Tabel 26. Aturan Jika Maka Untuk Fuzzy Inference System Jika Maka No Prakiraan Pemilihan- Distribusi-Transportasi Kinerja Pemasok 1 Tidak Akurat Tidak Lancar Tidak Lancar Tidak Baik 2 Tidak Akurat Tidak Lancar Cukup Lancar Tidak Baik 3 Tidak Akurat Tidak Lancar Lancar Tidak Baik 4 Tidak Akurat Cukup Lancar Tidak Lancar Tidak Baik 5 Tidak Akurat Cukup Lancar Cukup Lancar Cukup Baik 6 Tidak Akurat Cukup Lancar Lancar Cukup Baik 7 Tidak Akurat Lancar Tidak Lancar Tidak Baik 8 Tidak Akurat Lancar Cukup Lancar Cukup Baik 9 Tidak Akurat Lancar Lancar Cukup Baik 10 Cukup Akurat Tidak Lancar Tidak Lancar Tidak Baik 11 Cukup Akurat Tidak Lancar Cukup Lancar Tidak Baik 12 Cukup Akurat Tidak Lancar Lancar Tidak Baik 13 Cukup Akurat Cukup Lancar Tidak Lancar Tidak Baik 14 Cukup Akurat Cukup Lancar Cukup Lancar Cukup Baik 15 Cukup Akurat Cukup Lancar Lancar Cukup Baik 16 Cukup Akurat Lancar Tidak Lancar Tidak baik 17 Cukup Akurat Lancar Cukup Lancar Cukup Baik 18 Cukup Akurat Lancar Lancar Baik 19 Akurat Tidak Lancar Tidak Lancar Tidak Baik 20 Akurat Tidak Lancar Cukup Lancar Tidak Baik 21 Akurat Tidak Lancar Lancar Tidak Baik 22 Akurat Cukup Lancar Tidak Lancar Tidak Baik 23 Akurat Cukup Lancar Cukup Lancar Cukup Baik 24 Akurat Cukup Lancar Lancar Baik 25 Akurat Lancar Tidak Lancar Tidak Baik 26 Akurat Lancar Cukup Lancar Baik 27 Akurat Lancar Lancar Baik
22 104 Gambar 39. Input Data Untuk Basis Pengetahuan 4. Defuzifikasi. Adalah suatu proses untuk mendapatkan kembali nilai tegas (crisp) dari nilai fuzzy sebelumnya. Metode untuk defuzifikasi pada penelitian ini mempergunakan metode centroid (Elmahi et al., 2002). 4.5 Model Matematika Kinerja Rantai Pasokan Beras di DKI Jakarta Gunasekaran et. al (2004) telah menguraikan kerangka pengukuran kinerja rantai pasokan secara deterministik yang meliputi pengukuran kinerja rantai pasokan untuk tahap plan, source, make dan delivery pada level strategic, tactical dan operational. Contoh ukuran kinerja rantai pasokan untuk tahap planning, menurut Gunasekaran et al. (2004) meliputi : order entry method order lead-time dan customer order path sedangkan untuk tahap delivery meliputi ukuran kinerja untuk delivery performance evaluation dan total distribution cost. Sementara itu Lapide (2011) menyatakan ukuran deterministik lainnya bahwa ukuran kinerja rantai pasokan yang telah dikembangkan meliputi SCOR Model, logistics scoreboard, activity-based costing (ABC), economic value analysis (EVA) dan balanced scorecards. Menurut Lapide (2011), SCOR Model adalah ukuran kinerja rantai pasokan yang merupakan kombinasi untuk kinerja waktu siklus seperti untuk waktu siklus produksi dan waktu siklus uang (cash-tocash cycle), ukuran kinerja biaya dengan contohnya adalah biaya tiap pengiriman
23 105 (cost per shipment) dan biaya tiap pengambilan dari gudang (cost per warehouse pick), kinerja mutu dan layanan seperti pengiriman tepat waktu (on-time shipments) dan kinerja untuk ukuran produk yang cacat (defective products) serta kinerja untuk mengukur aset. Pada penelitian ini ukuran kinerja rantai pasokan diukur dengan cara yang berbeda dari ukuran kinerja rantai pasokan yang telah diuraikan oleh Gunasekaran et al. (2004) dan Lapide (2011). Pada penelitian ini, sebagaimana telah dijelaskan pada Bab III bahwa kinerja sistem rantai pasokan khususnya untuk kinerja sistem rantai pasokan komoditas beras di propinsi DKI Jakarta ditentukan dari aktifitas rantai pasok beras dan kinerja rantai pasok beras. Aktifitas rantai pasok beras terdiri dari prakiraan pasokan beras dan prakiraan harga beras, pemilihan pemasok beras serta distribusi dan transportasi beras, sedangkan kinerja dari rantai pasok komoditas beras diukur dari semua aktifitas rantai pasokan beras tersebut. Menurut Moengin dan Miyasto (2009), indeks ketahanan nasional yang merupakan ukuran kinerja dari ketahanan nasional diukur menurut rumus indeks G, dengan : Indeks G = 1/ 100 V i G i dan dengan : G = banyaknya variabel dalam gatra G V i = bobot variabel Gi Gi = sub indeks untuk variabel Gi. Dengan menggunakan logika Moengin dan Miyasto (2009) tersebut, maka ukuran kinerja rantai pasokan perberasan secara umum dapat dituliskan dalam rumus : K = dan K = dengan K : nilai manfaat kinerja rantai pasokan beras : nilai rata-rata bobot dari model subsistem ke-i : nilai rata-rata manfaat dari model subsistem ke-i = 1, 2,..., n dan =, = 1,2,, k : nilai bobot menurut pakar ke untuk model subsistem ke.
24 106 Untuk kasus di provinsi DKI Jakarta, ukuran kinerja rantai pasokan perberasan dipengaruh oleh tiga subsistem yaitu subsistem prakiraan pasokan dan harga beras, subsistem pemilihan pemasok beras serta dipengaruhi oleh subsistem distribusi dan transportasi beras. Hubungan tersebut dapat dinyatakan sebagai K = dan K = dengan K : nilai manfaat kinerja rantai pasokan beras : nilai rata-rata bobot dari model subsistem ke-i : nilai rata-rata manfaat dari model subsistem ke-i = 1, 2, 3. Dengan =, = 1,2,3 : nilai bobot menurut pakar ke untuk model subsistem ke
METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinci5 PEMODELAN SISTEM 5.1 Konfigurasi Model
5 PEMODELAN SISTEM Rekayasa model sistem manajemen ahli perencanaan produksi karet spesifikasi teknis, pada penelitian ini menggunakan pendekatan sistem. Pendekatan ini merupakan metodologi untuk mencapai
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 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 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 terperinciModel Prakiraan Harga dan Permintaan pada Rantai Pasok Karet Spesifikasi Teknis Menggunakan Jaringan Syaraf Tiruan
116 Jurnal AL-AZHAR INDONESIA SERI SAINS DAN TEKNOLOGI, Vol. 1, No. 3, Maret 2012 Model Prakiraan Harga dan Permintaan pada Rantai Pasok Karet Spesifikasi Teknis Menggunakan Jaringan Syaraf Tiruan Nofi
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 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 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 V. HASIL DAN PEMBAHASAN MODEL PENELITIAN
BAB V. HASIL DAN PEMBAHASAN MODEL PENELITIAN Model yang dihasilkan adalah model konseptual yang selanjutnya dikembangkan menjadi program komputasi dengan menerapkan tiga buah metode artificial intelligence
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciPOSITRON, Vol. IV, No. 2 (2014), Hal ISSN :
Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
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 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 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 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciABSTRACT. Keywords : Model, Intelligence Decision Support System, Rice, Supply Chain, DKI Jakarta.
ABSTRACT DADANG SURJASA. Model Design of Intelligent Decision Support System for Rice Supply Chain System in DKI Jakarta Province. Guided by E. GUMBIRA SA`ID, BUSTANUL ARIFIN, SUKARDI. DKI Jakarta is the
Lebih terperinciJurnal Fisika Unand Vol. 2, No. 4, Oktober 2013 ISSN
PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN BEBERAPA FUNGSI PELATIHAN BACKPROPAGATION (Studi Kasus: Stasiun Meteorologi Tabing Padang, Tahun 2001-2012) Cici Oktaviani, Afdal
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
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 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 PERANCANGAN DAN PEMBAHASAN
4.1 Data Yang Digunakan BAB IV PERANCANGAN DAN PEMBAHASAN Secara umum, gambaran data yang penulis peroleh dapat dilihat pada lampiran. Data tersebut adalah data hasil proses logging disajikan dalam bentuk
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
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 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 terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciBAB VIIB BACKPROPAGATION dan CONTOH
BAB VIIB BACKPROPAGATION dan CONTOH 7B. Standar Backpropagation (BP) Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan
Lebih terperinciPERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA STACK HASIL KELUARAN HRSG (HEAT RECOVERY STEAM GENERATOR) DENGAN METODE JARINGAN SYARAF TIRUAN
PERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA STACK HASIL KELUARAN HRSG (HEAT RECOVERY STEAM GENERATOR) DENGAN METODE JARINGAN SYARAF TIRUAN Oleh : Hera Firdhausa Katili 2409100073 Dosen Pembimbing : Dr.
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciIV. HASIL DAN PEMBAHASAN A.
IV. HASIL DAN PEMBAHASAN A. Persiapan Data Untuk Analisis Jaringan Syaraf Tahapan pertama sebelum merancang model jaringan syaraf tiruan adalah menyiapkan data. Secara garis besar tahapan-tahapan dalam
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 terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciPrediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*
Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi
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 terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
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 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 terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciBAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH
BAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu data saham Astra Internasional Tbk tanggal 2 Januari
Lebih terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciModel Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 1 Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciBAB 3. METODE PENELITIAN
BAB 3 METODE PENELITIAN 31 Pemilihan Parameter Masukan JST Data pengujian kualitas surfaktan-mesa yang dimiliki SBRC IPB (009) terdiri atas tegangan permukaan, IFT, densitas, viskositas, ph, dan kandungan
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 terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
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 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 terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciBAB III RANCANG BANGUN
BAB III RANCANG BANGUN 3.1 LANGKAH PENGERJAAN Program identifikasi dengan media biometrik citra iris mata yang menggunakan Metode Jaringan Syaraf Tiruan (JST) terdiri dari dua tahap, yaitu proses pelatihan
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciPENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM Nanik Susanti 1* 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus
Lebih 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 terperinciPrediksi Jangka Pendek Debit Aliran Irigasi Seluma dengan Menggunakan Jaringan Syaraf Tiruan
Prediksi Jangka Pendek Debit Aliran Irigasi Seluma dengan Menggunakan Jaringan Syaraf Tiruan Supiyati, Syamsul Bahri dan Iwan Erdi Abstract: Penelitian mengenai prediksi jangka pendek debit aliran irigasi
Lebih terperinciMetode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat
Prosiding Semirata FMIPA Universitas Lampung, 2013 Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat Andi Ihwan Prodi Fisika FMIPA Untan, Pontianak
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
39 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data dan Pembahasan Data yang dimiliki dalam penelitian ini dibagi menjadi dua, yaitu: 1. Suara gamelan Bonang 2. Bukan suara Gamelan Bonang (Gamelan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
32 BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dibahas tentang analisis sistem melalui pendekatan secara terstruktur dan perancangan yang akan dibangun dengan tujuan menghasilkan model atau representasi
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciArsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah memin
BACK PROPAGATION Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output yang dihasilkan
Lebih terperinciIV HASIL DAN PEMBAHASAN
tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.
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 terperinci6 IMPLEMENTASI MODEL 6.1 Verifikasi Model
6 IMPLEMENTASI MODEL Rekayasa sistem manajemen ahli Proplan TSR20 yang dirancang menggunakan pendekatan sistem harus memenuhi kriteria mewakili keseluruhan sistem kajian rantai pasok yang dipilih (holistic)
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciBAB III METODE PENELITIAN
3.1. Kerangka Pemikiran BAB III METODE PENELITIAN Permasalahan yang akan dijawab atau tujuan yang ingin dicapai pada penelitian ini adalah untuk melakukan prakiraan beban listrik jangka pendek atau untuk
Lebih terperinciMEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG)
MEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG) R. Ayu Mahessya, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas
Lebih terperinciMETODOLOGI PENELITIAN
18 METODOLOGI PENELITIAN Kerangka Penelitian Sistem pengenalan roda kendaraan pada penelitian ini tampak pada Gambar 10, secara garis besar dapat dibagi menjadi dua tahapan utama yaitu, tahapan pelatihan
Lebih terperinciABSTRACT. Kata kunci: Fuzzy Tsukamoto, Jaringan Syaraf Tiruan, Backpropagation 1. LATAR BELAKANG MASALAH
PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN DAN FUZZY TSUKAMOTO COMPARISON OF SHARE PRICE PREDICTION USING ARTIFICIAL NEURAL NETWORK AND FUZZY TSUKAMOTO ABSTRACT
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciPeramalan Jumlah Permintaan Produksi Menggunakan Metode Jaringan Syaraf Tiruan (JST) Backpropagation
Jurnal Teknik Industri, Vol.1, No.2, Juni 2013, pp.174-179 ISSN 2302-495X Peramalan Jumlah Permintaan Produksi Menggunakan Metode Jaringan Syaraf Tiruan (JST) Backpropagation Mira Febrina 1, Faula Arina
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
Lebih terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciPENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto
PENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto Teknik Informatika, Univesitas Dian Nuswantoro ABSTRACT: Peramalan saham merupakan
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
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 terperinciPRISMA FISIKA, Vol. I, No. 1 (2013), Hal ISSN :
Prediksi Tinggi Signifikan Gelombang Laut Di Sebagian Wilayah Perairan Indonesia Menggunakan Jaringan Syaraf Tiruan Metode Propagasi Balik Abraham Isahk Bekalani, Yudha Arman, Muhammad Ishak Jumarang Program
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 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 terperinci4.1. Pengumpulan data Gambar 4.1. Contoh Peng b untuk Mean imputation
4.1. Pengumpulan data Data trafik jaringan yang diunduh dari http://www.cacti.mipa.uns.ac.id:90 dapat diklasifikasikan berdasar download rata-rata, download maksimum, download minimum, upload rata-rata,
Lebih terperinciNeural Network (NN) Keuntungan penggunaan Neural Network : , terdapat tiga jenis neural network Proses Pembelajaran pada Neural Network
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain
Lebih terperinciEstimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan
Estimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan Andi Ihwan 1), Yudha Arman 1) dan Iis Solehati 1) 1) Prodi Fisika FMIPA UNTAN Abstrak Fluktuasi suhu udara berdasarkan
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
Lebih terperinci1 BAB III 2. 3 METODE PENELITIAN
14 1 BAB III 2. 3 METODE PENELITIAN 3.1 Sumber data Data yang digunakan dalam penelitian ini ialah data pengeluaran beban listrik harian sepanjang tahun 2008 sampai dengan tahun 2015 yang didapat dari
Lebih terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciBAB III. METODOLOGI. kegiatan manusia membuat penelitian dengan domain teknik informatika
BAB III. METODOLOGI 3.1. Kerangka Pikir Teknik informatika yang memiliki andil yang cukup besar dalam berbagai kegiatan manusia membuat penelitian dengan domain teknik informatika merupakan hal yang menarik
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI LAJU INFLASI DI KABUPATEN KLATEN NASKAH PUBLIKASI
IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI LAJU INFLASI DI KABUPATEN KLATEN NASKAH PUBLIKASI diajukan oleh Kurniawati Handayani 09.11.3278 kepada SEKOLAH TINGGI MANAJEMEN
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 terperinciPERAMALAN BEBAN LISTRIK MENGGUNAK AN JARINGAN SARAF TIRUAN METODE KOHONEN ABSTRAK
PERAMALAN BEBAN LISTRIK MENGGUNAK AN JARINGAN SARAF TIRUAN METODE KOHONEN Galang Jiwo Syeto, Arna Fariza, S.Kom, M.Kom, Setiawardhana, S.T Program DIV Jurusan Teknik Informatika Politeknik Elektronika
Lebih terperinci