BAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017."

Transkripsi

1 BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni Dengan demikian dapat disusun model Fuzzy Elman Recurrent Neural Network untuk peramalan harga minyak mentah di Indonesia yang dioptimasi menggunakan Algoritma Genetika, sehingga pada bab ini akan dibahas mengenai hasil optimasi model Fuzzy Elman Recurrent Neural Network menggunakan Algoritma Genetika dan hasil peramalan harga minyak mentah di Indonesia menggunakan model Fuzzy Elman Recurrent Neural Network yang dioptimasi dengan Algoritma Genetika. A. Arsitektur Fuzzy Elman Recurrent Neural Network untuk Meramalkan Harga Minyak Mentah di Indonesia 1. FERNN Menggunakan Fungsi Keanggotaan Segitiga Proses membangun model Fuzzy Elman Recurrent Neural Network untuk meramalkan harga minyak mentah di Indonesia dilakukan dengan tahapan sebagai berikut. a. Menentukan Input Jaringan Penentuan input ditentukan menggunakan plot ACF data ICP mulai tahun Pada Gambar.1, lag ditunjukan dengan garis biru tegak, sedangkan garis merah lengkung menunjukkan garis signifikansi. Banyaknya lag yang keluar atau melebihi batas garis signifikansi menunjukkan banyaknya variabel yang akan 50

2 Autocorrelation digunakan dalam membangun model. Plot ACF diperoleh menggunakan software MINITAB. Gambar.1 menunjukan plot ACF harga minyak mentah di Indonesia. Autocorrelation Function for ICP (US/brl) (with 5% significance limits for the autocorrelations) 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Gambar.1 Plot ACF ICP periode Januari 2007 sampai Juni 2017 Berdasarkan plot diatas dapat dilihat bahwa tujuh lag yang signifikan, yaitu lag 1, lag 2, lag, lag 4, lag 5 lag 6 dan lag 7. Model yang akan dibangun menggunakan 7 variabel input yaitu x 1 = y t 1, x 2 = y t 2, x = y t, x 4 = y t 4, x 5 = y t 5, x 6 = y t 6 danx 7 = y t 7 dengan target y t. b. Pembagian Data Data untuk peramalan pada model Fuzzy Elman Recurent Neural Network dibagi menjadi 2 bagian yaitu data training dan data testing. Pada tugas akhir ini, akan digunakan pembagian data dengan perbandingan 75% data training dan 25% data testing. Dari 119 data yang terpakai didapatkan 90 data untuk data training dan 29 data untuk data testing. Data training dan data testing terlampir pada Lampiran 2 dan Lampiran. 51

3 c. Fuzzifikasi Pada tahap ini data perkiraan harga minyak mentah di Indonesia dihitung derajat keanggotaannya dengan menggunakan himpunan keanggotaan yang ditentukan. Fungsi keanggotaan yang digunakan adalah fungsi keanggotaan Segitiga seperti yang dijelaskan pada subbab 2.C. Langkah pertama yang harus dilakukan dalam fuzzifikasi adalah menentukan himpunan universal. Himpunan universal adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Berdasarkan 126 data harga minyak mentah di Indonesia (ICP) mulai Januari 2007 Juni 2017, himpunan universal baik input maupun output adalah [ ]. Langkah selanjutnya adalah menentukan himpunan fuzzy pada setiap variabel dan menentukan domain himpunan fuzzy tersebut. Pada skripsi ini setiap variabel input dan target memiliki tiga himpunan fuzzy. Menentukan banyaknya himpunan fuzzy pada input dan output dilakukan dengan cara trial and error hingga diperoleh nilai error yang kecil. Himpunan fuzzy pada setiap variabel dan domainnya tersaji pada tabel.1. Tabel.1 Himpunan fuzzy dan domain Himpunan fuzzy Domain A 1 [ ] A 2 [ ] A [ ] Dengan bantuan MATLAB R201a diperoleh grafik keanggotaan himpunan fuzzy seperti pada Gambar.2. 52

4 Gambar.2 Grafik keanggotaan himpunan fuzzy A 1 hingga A Dari gambar.2 diperoleh tiga himpunan yaitu A 1 = 7,5 87,5, A 2 = , dan A = 87,5 212,5. Fungsi keanggotaannya adalah sebagai berikut : μ A1 (x) = 0 x 7,5 atau x 87,5 x+7,5 25+7,5 87,5 x 87,5 25 7,5 < x < x 87,5 (.1) μ A2 (x) = 0 x 25 atau x < x 87,5 x 25 87, x ,5 87,5 < x 150 (.2) μ A (x) = 0 x 87,5 atau x 212,5 x 87, ,5 87,5 x 212, ,5 < x < x 212,5 (.) Untuk memperoleh nilai dalam derajat keanggotaan himpunan fuzzy maka setiap variabel input disubtitusikan ke persamaan fungsi keanggotaannya masingmasing. 5

5 Contoh.1 Misal nilai variabel X 1 pada data pengamatan ke-2 data training sebesar 72,2 selanjutnya nilai tersebut disubsitusikan ke persamaan (.1), (.2), dan (.). Pada himpunan A 1, nilai 72,2 berada pada 25 < x 87,5 maka μ A1 72,2 = 87,5 72,2 87,5 25 = 0,2428 Pada himpunan A 2, nilai 72,2 berada pada 25 < x 87,5 maka μ A2 72,2 = 72, ,5 25 = 0,7571 Pada himpunan A, nilai 72,2 berada pada x 87,5 maka μ 1 72,2 = 0 Diperoleh derajat keanggotaan 72,2 pada himpunan fuzzy A 1 sebesar 0,2428, pada himpunan fuzzy A 2 sebesar 0,7571, dan pada himpunan fuzzy A sebesar 0. Hal ini dilakukan hingga diperoleh derajat keanggotaan dari semua vektor data input yaitu X 2, X, X 4, X 5, X 6 dan X 7, maupun output Y. Setiap data input dan output tetap ditulis derajat keanggotaannya, tujuannya agar hasil output tersebut dapat didefuzzifikasikan menggunakan tiga himpunan tersebut. Fuzzifikasi dengan MATLAB R201a dapat dilakukan menggunakan perintah trimf. Script lengkap untuk fuzzifikasi dengan MATLAB R201a dapat dilihat di Lampiran 4. Hasil fuzzifikasi variabel input dan target data training dapat dilihat pada Lampiran 5 sedangkan untuk data testing pada Lampiran 6. d. Menentukan model jaringan terbaik Pada model Fuzzy Elman Recurrent Neural Network ini nilai input dan output yang digunakan merupakan derajat keanggotaan himpunan fuzzy. 54

6 Arsitektur yang digunakan adalah arsitektur dengan banyak lapisan (Multilayer Net), fungsi aktivasi yang digunakan pada lapisan tersembunyi adalah sigmoid bipolar dan lapisan output dipilih fungsi linear agar nilai output pada model ini sama dengan nilai inputnya. Metode pembelajaran yang digunakan adalah metode pembelajaran terawasi dengan algoritma backpropagation. Untuk membangun jaringan elman RNN yang akan digunakan untuk meramalkan harga minyak mentah di Indonesia menggunakan bantuan MATLAB R201a dengan perintah : net=newelm(minmax(p),[n 1],{'tansig''purelin'},'traingdx'); Perintah newelm digunakan untuk membangun jaringan elman RNN. Pada perintah tersebut, ada n neuron pada lapisan tersembunyi dan 1 neuron pada lapisan output. Perintah {'tansig' 'purelin'} menunjukan fungsi aktivasi yang digunakan. Pada MATLAB R201a tansig merupakan fungsi aktivasi sigmoid bipolar sedangkan purelin merupakan fungsi aktivasi sigmoid linear. Fungsi pelatihan yang digunakan dalam skripsi ini adalah traingdx. Pada model ini tidak ada teori yang menyebutkan banyak neuron pada lapisan tersembunyi yang harus digunakan untuk memperoleh model terbaik. Oleh karena itu perlu ditentukan parameter pembelajaran untuk menentukan banyak neuron pada lapisan tersembunyi guna memperoleh model terbaik. 1) Penetapan parameter pembelajaran Penetapan parameter pembelajaran dilakukan dengan trial and error. Pada skripsi ini telah ditentukan parameter yang akan digunakan saat algoritma pembelajaran. Parameter pembelajaran dapat dilihat pada tabel.2. 55

7 Tabel.2 Parameter pembelajaran Parameter Nilai Parameter Nilai MaxEpoch 5000 IncLearningRate 1,2 TargetError 0,00001 DecLearningRate 0,6 MaxPerfInc 1,06 Momentum 0,8 LearningRate 0,1 EpochShow 500 2) Menentukan banyak neuron pada lapisan tersembunyi Untuk menentukan banyak neuron pada lapisan tersembunyi maka ditentukan berdasarkan nilai MAPE terkecil. Untuk mencari nilai MAPE dapat menggunakan teknik defuzzifikasi yaitu Smallest of maximum (Min), Largest of maximum(max) dan Mean of maximum (Mean). Pencarian banyak neuron menggunakan bantuan MATLAB R201a, script program yang digunakan dapat dilihat pada Lampiran 7. Data percobaan yang dilakukan diperoleh hasil MAPE data training dan testing seperti pada tabel.. Tabel. Hasil MAPE Model FERNN Neuron Nilai MAPE Training Testing Min Max Mean Min Max Mean 1 89, ,68 52,9062 5, ,907 99, ,0 0,165 72, , , ,5187 * 92, , , , ,68 52, , , , , , , , , , ,626 21,6575 6, ,626 21,6575 6, ,517 19,0 59, ,517 19,0 59, , , , , , ,7257 5,514 16,272 99,75 9 5,514 16,272 99,75 46, ,58 80, , ,58 80,774 2, , ,442 Keterangan: *) Model terbaik Pada tabel. terlihat bahwa nilai MAPE training terkecil yaitu 16,2296 terjadi dengan menggunakan defuzzifikasi Largest of Maximum dan neuron yang digunakan sebanyak. Demikian pula nilai MAPE testing terkecil yaitu 15,68 56

8 terjadi dengan menggunakan defuzzifikasi Largest of Maximum dan neuron yang digunakan sebanyak. Berdasarkan arsitektur tersebut dapat digunakan untuk menentukan input optimal dan peramalan menggunakan defuzzifikasi teknik Largest of Maximum Def0uzzifier. Setelah memperoleh banyak neuron pada lapisan tersembunyi selanjutnya menentukan nilai input yang optimal. ) Menentukan input yang optimal Untuk menentukan input yang optimal dilakukan percobaan dengan mengeliminasi beberapa variabel input dan melihat nilai MAPE. Proses eliminasi input pada skripsi ini menggunakan bantuan software MATLAB R201a. Pada proses eliminasi, kemungkinan variabel yang dieliminasi dapat dihitung dengan mengkombinasikan variabel-variabel input. Script program yang digunakan pada eliminasi dapat dilihat pada Lampiran 7. Hasil eliminasi dapat dilihat pada tabel.4. Tabel.4 Hasil MAPE Eliminasi Model FERNN Eliminasi Training Testing X 1 27, ,259 X 1, X 2 15, ,524 X 1, X 2, X 145, ,25 X 1, X 2, X, X 4 19, ,215 X 1, X 2, X, X 4, X 5 121, ,854 X 2, X, X 4, X 5, X 6, X 7 184, ,470 -* 16,229 15,6 Keterangan: *) Model terbaik Pada tabel.4 terlihat bahwa menggunakan 7 variabel input memberikan model yang terbaik karena menghasilkan nilai MAPE terkecil pada data training dan testing. Dengan demikian model FERNN yang digunakan untuk peramalan harga minyak mentah di Indonesia (ICP) mempunyai arsitektur 7 input dengan neuron pada lapisan tersembunyi. 57

9 Sebagai perbandingan, penulis juga melakukan pengujian dengan model ERNN, artinya input model menggunakan data asli harga minyak mentah di Indonesia tanpa melalui fuzzifikasi. Nilai MAPE untuk model ERNN dapat dilihat pada tabel.5. Tabel.5 Tabel MAPE Model ERNN Neuron Training Testing Neuron Training Testing 1 18, , , , , , , , , , , , ,025 11,9609 9* 17, , , , , ,9619 Keterangan: *) Model terbaik Dari tabel.5 diperoleh nilai MAPE minimum yaitu 17,6904 untuk data training dan 11,9609 untuk data testing. Terdapat dua kemungkinan model terbaik yaitu model dengan 6 neuron dan 9 neuron. Dari dua model yang diuji, terlihat bahwa model FERNN menghasilkan nilai MAPE yang lebih kecil untuk data training dan testing. Dengan demikian model yang digunakan untuk peramalan harga minyak mentah di Indonesia yaitu model FERNN dengan arsitektur 7 input dan neuron pada lapisan tersembunyi. 4) Menentukan bobot model Pada algoritma backpropagation dengan fungsi pelatihan traingdx pertama dilakukan dengan menginisialisasi bobot awal dengan bilangan acak yang cukup kecil. Dengan berjalannya pelatihan bobot-bobot awal tersebut mengalami perubahan hingga menghasilakan model yang terbaik seperti pada langkah 1 dan 2 di atas. Bobot-bobot yang menghasilkan model terbaik tersebut yang akan 58

10 digunakan dalam proses peramalan. Berdasarkan langkah 1 dan 2 diatas diperoleh bobot akhir model FERNN yang dapat dilihat pada Lampiran 8. 5) Model Jaringan Fuzzy Elman Recurrent Neural Network Dari proses yang telah dilakukan maka diperoleh model FERNN yang terbaik. Model ini terdiri atas 7 variabel input, neuron pada lapisan tersembunyi, dan 1 neuron pada lapisan output. Arsitektur jaringan tersebut dapat dilihat pada Gambar.. U 1 b k b 0,s U 2 w jk U T 1 y 1 μ 1,1 (X 1 ) X 1 μ 2,1 (X 1 ) T 2 y 2 Y..... μ,1 (X 1 ) μ 1,1 (X 7 ) T v ik y 2 X 7 μ 2,1 (X 7 ) w ik μ,1 (X 7 ) Gambar. Arsitektur Fuzzy Elman Recurrent Neural Network 59

11 Berdasarkan arsitektur diatas, secara matematis model tersebut dapat ditulis sebagai berikut: dengan 7 k=1 +b 7 0,s (.4) 1+exp i=1 k=1 x i w ik s + j =1 k=1 u ힲ w jk +b k Y ts = v k (s) 1 exp k=1 x iw ik s + j =1 k=1 u k w jk +b i=1 k Y ts x i = nilai prediksi ke-t pada FERNN dan s adalah banyak himpunan fuzzy = variabel input pada FERNN data training, i=1,2,...7 w ik (s) = bobot lapisan input ke lapisan tersembunyi, k=1,2, w jk b k v k (s) b 0,s = bobot lapisan tambahan ke lapisan tersembunyi, j=1,2, = bobot bias lapisan input ke lapisan tersembunyi = bobot lapisan lapisan tersembunyi ke lapisan output, s=1,2, = bobot bias lapisan input tersembunyi ke lapisan output Dengan bobot-bobot akhir hasil pembelajaran adalah sebagai berikut: b k = 1,9910 0,4709 0,949 v k (1) = 0,5016 0,0280 0,000 v k (2) = 0,5018 0,718 0,2656 v k () = 1,6764e 04 0,48 0,045 b 0,1 = 0,1908 b 0,2 = 0,460 b 0, = 0,489 w ik (1) = 2,7027 0,5507 2, ,8728 1,2818 w ik (2) = 0,812 0,2102 2,081 0,846 0,289 0,1954 w ik () = 2,161 0,791 2,4944 0,684 1,042 0,9026 w jk = 0,0902 0,1482 0,0812 0,062 0,11 0,12 0,270 0,2459 0,4801 Contoh.2 Misal akan dicari output jaringan pada bulan Juli 2017 atau Y 120. Nilai input untuk hasil output pada bulan Juli 2017 adalah data bulan 60

12 Desember 2016 Juni 2017, yang kemudian dilakukan proses fuzzifikasi seperti pada Contoh.1 pada halaman 54. Tabel.6 Nilai input untuk prediksi Juli 2017 Input Data Asli Hasil Fuzzifikasi A 1 A 2 A Y 11 51,09 0, , Y ,88 0, , Y ,50 0,56 0,44 0 Y ,71 0, ,796 0 Y ,56 0, , Y ,09 0, ,544 0 Y 119 4,66 0, , Berdasarkan model FERNN yang terbentuk maka perhitungan peramalan harga minyak mentah di Indonesia bulan Juli 2017 adalah sebagai berikut: menjadi : Bobot-bobot yang diperoleh disubstusikan kedalam persamaan model (.4) U_net 1 = 7 i=1 k=1 x i w ik (1) + b k = 0, , ,7027 0,5507 2, ,8728 1, ,9910 0,4709 0,949 = U 1 = 1 e U net e = 1 e U net e = T_net 1 = x i w ik (s) + u k w jk + b k = U_net 1 + u k w jk i=1 k=1 j=1 k=1 j=1 k=1 = ,0902 0,1482 0,0812 0,062 0,11 0,12 0,270 0,2459 0,4801 =

13 T 1 = 1 e (T net 1 ) 1 + e (T net 1 ) = 1 e ( ) = e ( ) Perhitungan nilai y ts untuk s=1 Y 120,1 = v k (1)T k + b 0,1 k=1 = 0,5016 0, ,1907 = 0,67 Perhitungan nilai y ts untuk s=2 Y 120,2 = v k (2)T k + b 0,2 k=1 = 0,5018 0, ,460 = 0,8220 Perhitungan nilai y ts untuk s= Y 120, = v k ()T k + b 0, k=1 = 0,0001 0, ,488 = 0,5148 Diperoleh nilai Y 120,s =[ 0,67 0, ,4225]. e. Defuzzifikasi Metode defuzzifikasi digunakan pada skripsi ini adalah Largest of Maximum Defuzzifier. Solusi crisp dari metode ini diperoleh dengan mengambil nilai terbesar dari domain yang memiliki derajat keanggotaan maksimum. (subab 2.C) Misal hasil prediksi pada bulan Juli 2017 adalah Y 120,S = [ 0,67 0,8220 0,4225], kemudian diambil nilai maksimumnya, yaitu 0,8220. Nilai 0,8220 berada di s = 2, sehingga terletak pada himpunan fuzzy kedua yaitu A 2. Fungsi keanggotaan pada himpunan A 2 adalah 62

14 μ A2 (x) = 0 x 25 atau x 150 x 25 87, < x 87,5 150 x ,5 87,5 < x 150 Didapatkan nilai crisp pada prediksi harga minyak mentah di Indonesia pada Juli 2017 dengan mensubstitusikan nilai 0,8220 pada fungsi tersebut sebagai berikut. μ Target = x 25 87,5 25 0,8220 = x 25 87,5 25 μ Target = 150 x ,5 0,8220 = 150 x ,5 x = 76,745 x = 98,6255 Terdapat 2 nilai crisp dari hasil defuzzifikasi. Pada skripsi ini teknik defuzzifikasi yang digunakan adalah Largest of Maximum Defuzzifier. Dari kedua nilai tersebut yang diambil adalah nilai maksimum yaitu 98,6255. Maka nilai peramalan untuk harga minyak mentah di Indonesia pada bulan Juli 2017 adalah 98,6255 US/brl. Untuk nilai peramalan harga minyak mentah di Indonesia pada bulan Agustus 2017 s.d. Desember 2017 tersaji pada Tabel.5 Tabel.7 Hasil data peramalan pada bulan Agustus 2017 s.d. bulan Desember 2017 dengan FERNN Bulan Data Peramalan (US/brl) Agustus ,4149 September ,000 Oktober ,0078 November ,2885 Desember ,4091 6

15 Partial Autocorrelation Autocorrelation f. Uji Kesesuaian Model Setelah memperoleh model terbaik dengan 7 input, neuron pada lapisan tersembunyi dan 1 neuron pada lapisan output, langkah selanjutnya adalah pengecekan error pada model tersebut. Plot ACF dan PACF dari residual data training dan testing ditunjukkan pada Gambar.4 sampai Gambar.7. 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0 Autocorrelation Function for Residual FERNN Data Training (with 5% significance limits for the autocorrelations) Lag Gambar.4 Plot ACF residual data training Partial Autocorrelation Function for Residual FERNN Data Training (with 5% significance limits for the partial autocorrelations) 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Gambar.5 Plot PACF residual data training 22 64

16 Partial Autocorrelation Autocorrelation Autocorrelation Function for Residual FERNN Data Testing (with 5% significance limits for the autocorrelations) 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Gambar.6 Plot ACF residual data testing 7 Partial Autocorrelation Function for Residual FERNN Data Testing (with 5% significance limits for the partial autocorrelations) 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Gambar.7 Plot PACF residual data testing Dari plot di atas menunjukkan bahwa tidak ada lag yang melebihi garis kepercayaan. Dengan kata lain tidak ada lag yang signifikan yang artinya error bersifat acak atau white noise terpenuhi. Oleh karena itu, model FERNN dengan arsitektur jaringan 7 variabel input, neuron pada lapisan tersembunyi dan 1 neuron pada lapisan output dapat digunakan untuk meramalkan harga minyak mentah di Indonesia. 65

17 2. FERNN Menggunakan Fungsi Keanggotaan Kurva-S Pertumbuhan Sebagai perbandingan, penulis juga melakukan pengujian dengan model FERNN menggunakan fuzzifikasi berupa himpunan fuzzy kurva-s pertumbuhan dan metode defuzzifikasi smallest of maximum. Fungsi keanggotaan kurva-s pertumbuhan sebagai berikut: μ S x = x 27 2 x < x x 81 < x x 15 (.5) Nilai MAPE hasil perhitungan model FERNN menggunakan fungsi keanggotaan segitiga dan kurva-s pertumbuhan terlihat pada Tabel.8. Tabel.8 Perbandingan hasil MAPE model FERNN dengan fungsi keanggotaan segitiga dan kurva-s pertumbuhan Model Nilai MAPE Training Testing FERNN dengan fungsi keanggotaan segitiga 16, ,68 FERNN dengan fungsi keanggotaan kurva-s pertumbuhan 1,886 12,609 Dari tabel.8 terlihat bahwa error yang dihasilkan (nilai MAPE) > target error yang digunakan, sehingga bobot-bobot yang diperoleh belum tentu merupakan bobot yang optimal untuk peramalan harga minyak mentah di Indonesia. Dengan demikian bobot-bobot perlu dioptimasi dengan Algoritma Genetika. 66

18 B. Optimasi Model FERNN dengan Algoritma Genetika Tujuan optimasi ini adalah untuk memperoleh bobot yang menghasilkan error lebih kecil pada model FERNN. Adapun langkah yang harus dilakukan dalam optimasi model Fuzzy Elman Recurrent Neural Network sebagai berikut. a. Penyandian Gen (Pengkodean) Pada skripsi ini gen merepresentasikan nilai bobot akhir pada model FERNN. Seperti yang sudah dijelaskan pada bab II, pada skripsi ini teknik pengkodean yang digunakan adalah pengkodean nilai real. Sehingga nilai pada gen merupakan nilai asli dari bobot-bobot akhir model FERNN. Bobot bobot akhir model FERNN antara lain bobot akhir input, bobot akhir bias input, bobot akhir delay, bobot akhir bias lapisan, bobot akhir lapisan. Susunan bobot-bobot dalam gen dapat dilihat pada tabel.9. Tabel.9 Susunan bobot-bobot dalam gen Gen Bobot b 1 b 2 b w 1,1 w,21 w 1,1(d) w,(d) Gen Bobot v 1,1 v,1 v 1, v, b 0,1 b 0, b. Membangkitkan Populasi Awal (Spanning) Proses membangkitkan populasi awal pada penelitian ini menggunakan teknik random generator yang dikombinasikan dengan pendekatan nilai tertentu. Satu individu terdapat 87 gen yang berisi gen 1 sampai gen 87 yang terbentuk dari bobot-bobot akhir yang diperoleh dalam FERNN. Dalam membangkitkan populasi awal, ditetapkan ukuran populasi dengan cara melakukan trial and error pada algoritma genetika. Trial and error ini dicoba dengan beberapa ukuran populasi dan banyaknya generasi (iterasi dalam 67

19 algoritma genetika). Nilai fitness tertinggi yang diperoleh kemudian digunakan untuk menetapkan ukuran populasi dan banyak generasi. Hasil yang diperoleh dengan nilai fitness terbaik ditetapkan ukuran populasi sebanyak 20 dan generasi sebanyak 150. Pembangkitan populasi awal ini dilakukan secara acak dengan menggunakan bantuan software Matlab R201a. Pada individu 1 berupa nilai bobot yang telah diperoleh dalam FERNN. Hasil pembangkitan populasi awal tersaji dalam Lampiran 9. Individu 1: 1,9910 0,4709-0,949-2,7027-2,7297 0,8728-0,81-2,081 0,289 2,161 2,4944 1,0425-0,895-0,707-0,0684-0,094 0,250 0,819 0,945-1,4548 0,5428 0,002-0,5552-0,546-0,8809 0,2810-0,279-1,6428 0,1909 0,6085 1,1807-1,0618 0,9474 0,769 0,4717 0,49-0,4154 0,1444-0,808-1,1851 0,2080 0,80 0,1601 0,5094 0,1004-0,209 0,6591-0,488 0,8402 0,1148 0,8985-0,1794-0,495 1,514-0,1798-0,2820 1,2296-0,5507-0,2668 1,2818 0,210-0,846 0,1955-0,792-0,684-0,9027-0,0902-0,062 0,270-0,1482 0,11 0,2459 0,0812-0,12 0,4801-0,5016 0,5018-0,0002 0,0280-0,718 0,48 0,000-0,2656-0,045 0,1908 0,460 0,489 c. Evaluasi nilai Fitnes (Fitnes Value) Tujuan dari algoritma genetika adalah mencari individu dengan nilai fitness yang tinggi. Evaluasi nilai fitness berfungsi untuk mengukur kualitas dari sebuah solusi dan mendapatkan bobot yang optimal. Bobot yang bagus ditunjukkan dengan nilai error yang kecil. Nilai fitness pada penelitian ini dapat dihitung menggunakan persamaan (2.50) yaitu f = 1 x + α 68 (.6)

20 Dengan Y t,s diperoleh dari persamaan (.4) dengan s=1,2, yaitu Keterangan 7 Y t,s = v k (s) 1 exp x iw ik (s)+ u k w jk +b i=1 k=1 j=1 k=1 k k=1 +b 0,s (.7) 1+exp 7 x i w ik (s)+ i=1 k=1 j=1 k=1 u k w jk +b k Y ts x i = nilai prediksi ke-t pada FERNN = variabel input pada FERNN data training, i=1,2,...7 w ik (s) = bobot lapisan input ke lapisan tersembunyi w jk b k v k (s) b 0,s = bobot lapisan tambahan ke lapisan tersembunyi = bobot bias lapisan input ke lapisan tersembunyi = bobot lapisan lapisan tersembunyi ke lapisan output = bobot bias lapisan tersembunyi ke lapisan output Dengan persamaan (.7) diperoleh nilai fitness setiap individu pada populasi awal yang disajikan pada tabel.10. Tabel.10 Nilai fitness pada populasi awal Individu Nilai Fitness Individu Nilai Fitness Individu Nilai Fitness 1 0, , , , , , , , , , , , , , , , , , , ,05008 d. Elitism Tahap selanjutnya adalah tahap Elitism, pada tahap ini individu dengan nilai fitness terbaik akan disimpan atau dipertahankan. Nilai fitness terbaik perlu dipertahankan karena proses seleksi dilakukan secara acak sehingga tidak ada 69

21 jaminan bahwa individu dengan fitness terbaik akan selalu terpilih. Walaupun terpilih, nilai fitness tersebut dapat rusak akibat pindah silang dan mutasi. Sehingga individu pertama dipertahankan di generasi ke 2. e. Seleksi (selection) Pada penelitian ini teknik seleksi yang digunakan adalah seleksi rangking Pada populasi awal dilakukan seleksi ranking sebagai berikut. 1) Menghitung nilai fitness setiap individu pada populasi awal dan diurutkan dari nilai terkecil. Nilai fitness yang digunakan terdapat pada Tabel.10 dan hasil pengurutan aterdapat pada Tabel.11. Tabel.11 Urutan nilai fitness Ranking Individu Nilai Fitness Ranking Individu Nilai Fitness 4 1 0, , , , , , , , , , , , , , , , , , , , ) Setelah diurutkan, individu terburuk (individu 11) diberi nilai fitness baru sebesar 1, dan seterusnya. Individu terbaik diberi nilai fitness baru sebesar n dimana n adalah banyak individu dalam suatu populasi. Sehingga nilai fitness yang baru dapat dilihat pada Tabel

22 Individu Tabel.12 Nilai fitness sesuai rangking Nilai Fitness baru 71 Nilai Fitness lama Nilai Fitness lama Individu 11 0, , , , , , , , , , , , , , , , , , , , Nilai Fitness baru ) Dengan menjumlahkan semua nilai fitness pada Tabel.9 diperoleh total nilai fitness sebesar ) Dihitung probabilitas masing-masing nilai fitness dengan membagi setiap nilai fitness pada Tabel.12 dengan total nilai fitnessnya. Probabilitas masing-masing fitness dan probabilitas kumulatifnya dapat dilihat pada Tabel.1. Tabel.1 Probabilitas nilai fitness Individu Probabilitas Probabilitas Kumulatif 11 6,88E-05 6,87619E-05 6,89E-05 0, ,9E-05 0, , , , , , , , , , , , , , , , , , , , , ,0002 0,

23 Individu Probabilitas Probabilitas Kumulatif 14 0, , , , , , , , , , , , ) Setelah itu membangkitkan dua buah nilai random pada interval [0 1]. Dengan bantuan MATLAB R201a diperoleh nilai random 0,020 dan 0,026. Pada frekuensi kumulatif, nilai 0,020 terletak pada individu ke 14, dan nilai 0,026 terletak pada individu ke 20. Sehingga individu ke 14 dan ke 20 terpilih untuk menjadi induk yang akan digunakan pada proses pindah silang. f. Pindah Silang (Cross Over) Pindah silang merupakan salah satu operator dalam algoritma genetika yang berfungsi untuk membentuk kromosom baru dari dua buah kromosom induk melalui proses penukaran gen yang bersesuaian. Pindah silang dilakukan pada induk yang telah terseleksi sehingga diperoleh keturunan baru (anak). Nilai probability crossover (Pc) yang digunakan pada penelitian ini adalah 0,80. Untuk menentukan apakah terjadi pindah silang atau tidak, dibangkitkan nilai probabilitas induk dengan menggunakan MATLAB R201a diperoleh bilangan acak untuk nilai probabilitas induk sebesar 0,095. Sehingga pindah silang pada induk dapat terjadi. Selanjutnya dibangkitkan bilangan acak pada rentang [0,1] untuk nilai r, dengan MATLAB R201a diperoleh nilai sebesar 0,6805. Untuk menentukan posisi gen yang akan dipindah silangkan dibangkitkan 72

24 2 nilai acak diperoleh nilai 1 dan 16, sehingga gen ke-1 sampai gen ke-16 akan dipindah silangkan. Berikut proses pindah silang yang terjadi: Induk 1 (individu ke-14) -2,1762 1,9726-1,14-0,754 0,571-0,527-0,077-0,822 2,1690-0,5470-0,552 2,2900-0,511-0,4259-0,7066-0,2916-1,9002 0,4050 0,021-0,492 0,14 0,8654-0,5425 0,470 1,5819-0,6501-1,228-0,2124-1,414-0,667 0,1626-1,216-0,9485-0,081 1,7146 0,524-0,8672 0,087-0,221-0,1081-0,1429-0,8076-1,099-0,695 0,651-0,8996 0,562 0,7287-0,2824 0,5894 0,09 1,285 0,100 0,1896 0,8842 0,161 1,8112-1,29-0,5988 0,426-0,667-0,2741-2,855-0,681 0,890-0,1108 0,2645 0,7229-0,701 0,7566-0,2460 0,2424-1,4725 0,9681-2,81-0,044 0,7696 1,425 0,0666 0,5982-1,1586-0,220 0,4668-0,4529-1,7989 0,7869-0,766 Induk 2 (individu ke-20) -0,9577-0,0117-0,5422 0,857 0,2896-2,264 0,445 0,145-0,072-2,5181 0,7824 0,5412-1,8169 0,0640 1,4255-1,586 0,0741 1,7027 2,8657-0,5201-0,201-0,511 0,2956-0,2068 2,2152 0,145-0,4046 0,6758-1,1710-0,092-0,668 0,1165-0,1726 0,8917 0,68 1,2716 1,5615 1,0988 0,814 0,2812-0,642 1,1240 1,7611-0,945 1,0296-2,002 0,9602 0,482-0,1475 0,6927-0,0248 0,068-0,9524-1,125 0,670-0,8-0,1912 1,9658 1,826-0,1085-0,699-1,64-1,6021-1,9170 0,546-0,646-0,4551-1,4415 0,5119 0,2426 0,4062-0,6772 0,7687 2,4277-0,961 0,816-0,1965-0,156 0,1800-0,010 1,118 0,786-0,625 1,1178 0,4707 0,5784-0,9896 Dengan persamaan 2.51 dan 2.52 diperoleh nilai gen ke 1 sampai 16 dari anak 1 dan 2 sebagai berikut: u 1 1 = r u r u 2 1 u 1 1 = 0,6805 0, ,6805 ( 1,8169) = 0,92844 u 2 1 = r u r u 1 1 u 2 1 = 0,6805 1, ,6805 ( 0,511) = 1,9976 7

25 Untuk pehitungan nilai u 1 14 dan u 2 14 hingga u 1 16 dan u 2 16 dilakukan secara analog, sehingga diperoleh Anak 1-2,1762 1,9726-1,14-0,754 0,571-0,527-0,077-0,822 2,1690-0,5470-0,552 2,2900-0,9284-0,2694-0,0254-0,6900-1,9002 0,4050 0,021-0,492 0,14 0,8654-0,5425 0,470 1,5819-0,6501-1,228-0,2124-1,414-0,667 0,1626-1,216-0,9485-0,081 1,7146 0,524-0,8672 0,087-0,221-0,1081-0,1429-0,8076-1,099-0,695 0,651-0,8996 0,562 0,7287-0,2824 0,5894 0,09 1,285 0,100 0,1896 0,8842 0,161 1,8112-1,29-0,5988 0,426-0,667-0,2741-2,855-0,681 0,890-0,1108 0,2645 0,7229-0,701 0,7566-0,2460 0,2424-1,4725 0,9681-2,81-0,044 0,7696 1,425 0,0666 0,5982-1,1586-0,220 0,4668-0,4529-1,7989 0,7869-0,766 Anak 2-0,9577-0,0117-0,5422 0,857 0,2896-2,264 0,445 0,145-0,072-2,5181 0,7824 0,5412-1,998-0,0925 0,744-1,1402 0,0741 1,7027 2,8657-0,5201-0,201-0,511 0,2956-0,2068 2,2152 0,145-0,4046 0,6758-1,1710-0,092-0,668 0,1165-0,1726 0,8917 0,68 1,2716 1,5615 1,0988 0,814 0,2812-0,642 1,1240 1,7611-0,945 1,0296-2,002 0,9602 0,482-0,1475 0,6927-0,0248 0,068-0,9524-1,125 0,670-0,8-0,1912 1,9658 1,826-0,1085-0,699-1,64-1,6021-1,9170 0,546-0,646-0,4551-1,4415 0,5119 0,2426 0,4062-0,6772 0,7687 2,4277-0,961 0,816-0,1965-0,156 0,1800-0,010 1,118 0,786-0,625 1,1178 0,4707 0,5784-0,9896 g. Mutasi Mutasi merupakan salah satu operator dalam algoritma genetika yang dilakukan pada kromosom dan bertujuan untuk memperoleh kromosomkromosom baru. Pada penelitian ini teknik mutasi yang digunakan adalah random mutation yaitu mengganti nilai gen dengan bilangan random. Pada penelitian ini digunakan nilai probabilitas mutasi sebesar 0,02. Dengan nilai acak diperoleh probabilitas mutasi individu sebesar 0,0014 untuk anak 1 dan 0,012 untuk anak 2. 74

26 Pada interval [1, 87] dibangkitkan nilai acak, dan diperoleh nilai untuk anak 1 dan 87 untuk anak 2. Gen ke- pada anak 1 dan gen ke-87 pada anak 2 akan dimutasi dengan mengganti nilai gen tersebut dengan nilai acak. Dengan bantuan MATLAB R201a diperoleh nilai acak untuk gen ke- pada anak ke 1 adalah 0,980 dan gen ke 87 pada anak ke 2 adalah 1,9498. Individu anak yang terbentuk adalah Anak 1 Anak 2-2,1762 1,9726 0,980-0,754 0,571-0,527-0,077-0,822 2,1690-0,5470-0,552 2,2900-0,9284-0,2694-0,0254-0,6900-1,9002 0,4050 0,021-0,492 0,14 0,8654-0,5425 0,470 1,5819-0,6501-1,228-0,2124-1,414-0,667 0,1626-1,216-0,9485-0,081 1,7146 0,524-0,8672 0,087-0,221-0,1081-0,1429-0,8076-1,099-0,695 0,651-0,8996 0,562 0,7287-0,2824 0,5894 0,09 1,285 0,100 0,1896 0,8842 0,161 1,8112-1,29-0,5988 0,426-0,667-0,2741-2,855-0,681 0,890-0,1108 0,2645 0,7229-0,701 0,7566-0,2460 0,2424-1,4725 0,9681-2,81-0,044 0,7696 1,425 0,0666 0,5982-1,1586-0,220 0,4668-0,4529-1,7989 0,7869-0,766-0,9577-0,0117-0,5422 0,857 0,2896-2,264 0,445 0,145-0,072-2,5181 0,7824 0,5412-1,998-0,0925 0,744-1,1402 0,0741 1,7027 2,8657-0,5201-0,201-0,511 0,2956-0,2068 2,2152 0,145-0,4046 0,6758-1,1710-0,092-0,668 0,1165-0,1726 0,8917 0,68 1,2716 1,5615 1,0988 0,814 0,2812-0,642 1,1240 1,7611-0,945 1,0296-2,002 0,9602 0,482-0,1475 0,6927-0,0248 0,068-0,9524-1,125 0,670-0,8-0,1912 1,9658 1,826-0,1085-0,699-1,64-1,6021-1,9170 0,546-0,646-0,4551-1,4415 0,5119 0,2426 0,4062-0,6772 0,7687 2,4277-0,961 0,816-0,1965-0,156 0,1800-0,010 1,118 0,786-0,625 1,1178 0,4707 0,5784 1,

27 h. Pembentukan Populasi Baru Setelah langkah-langkah diatas dilakukan, selanjutnya adalah membentuk populasi di generasi selanjutnya. Individu terbaik dengan nilai fitness tertinggi pada populasi awal dibawa ke langkah selanjutnya, proses ini dinamakan proses elitisme. Berikut hasil percobaan yang dilakukan dapat dilihat pada Tabel.14. Tabel.14 Hasil percobaan algoritma genetika Percobaan ke Ukuran populasi Jumlah generasi Nilai fitness , , , , , , , , , ,07166 Grafik hasil percobaan dengan MATLAB R201a dapat dilihat pada Gambar.8. Gambar.8 Grafik hasil percobaan algoritma genetika Program MATLAB yang digunakan dapat dilihat pada lampiran 10. Untuk populasi akhir dapat dilihat pada lampiran 11. Nilai bobot hasil optimasi algoritma 76

28 genetika dapat dilihat pada lampiran 12. Bobot tersebut kemudian digunakan untuk menghitung nilai MAPE pada data training dan testing. MAPE hasil perhitungan model FERNN dengan optimasi Algoritma Genetika menggunakan fungsi keanggotaan segitiga dan kurva-s pertumbuhan terlihat pada Tabel.15. Tabel.15 Perbandingan hasil MAPE model FERNN dengan optimasi Algoritma Genetika menggunakan fungsi keanggotaan segitiga dan kurva-s pertumbuhan Model FERNN dengan optimasi Algoritma Genetika menggunakan fungsi keanggotaan segitiga FERNN dengan optimasi Algoritma Genetika menggunakan fungsi keanggotaan kurva-s pertumbuhan Nilai MAPE Training Testing 8,27 4,011 6,9498 6,9642 Dari tabel.8 dan.15 terlihat bahwa FERNN dengan himpunan fuzzy kurva-s pertumbuhan optimasi Algoritma Genetika menghasilkan nilai MAPE yang lebih kecil untuk data training maupun testing. Selanjutnya error hasil peramalan akan diuji apakah telah white noise atau belum. Pengujian ini dilakukan dengan melihat plot ACF dan PACF dari error yang dihasilkan dari model FERNN yang telah dioptimasi dengan Algoritma Genetika pada data training dan testing. Plot ACF dan PACF dari error tersebut tersaji pada Gambar.9 sampai Gambar

29 Autocorrelation Partial Autocorrelation Autocorrelation ACF for residual data training model FERNN Algen kurva-s pertumbuhan (with 5% significance limits for the autocorrelations) 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Gambar.9 Plot ACF dari error data training model FERNN yang telah dioptimasi dengan Algoritma Genetika PACF for residual data training model FERNN Algen kurva-s pertumbuhan (with 5% significance limits for the partial autocorrelations) 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Gambar.10 Plot PACF dari error data training model FERNN yang telah dioptimasi dengan Algoritma Genetika 12 Lag ACF for residual data testing model FERNN Algen kurva-s pertumbuhan (with 5% significance limits for the autocorrelations) 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Gambar.11 Plot ACF dari error data testing model FERNN yang telah dioptimasi dengan Algoritma Genetika 78

30 Data Partial Autocorrelation PACF for residual data testing model FERNN Algen kurva-s pertumbuhan (with 5% significance limits for the partial autocorrelations) 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Gambar.12 Plot PACF dari error data testing model FERNN yang telah dioptimasi dengan Algoritma Genetika Dari gambar-gambar diatas, plot ACF dan PACF terlihat bahwa semua lag berada dalam selang kepercayaan, berarti error bersifat acak atau random. Sehingga model FERNN yang telah dioptimasi Algoritma Genetika dengan fungsi keanggotaan kurva-s pertumbuhan digunakan sebagai model peramalan harga minyak mentah di Indonesia (ICP). Berikut plot data aktual dan hasil peramalan harga minyak mentah di Indonesia untuk data training dan data testing. Time Series Plot of data aktual training; data peramalan training Variable data aktual training data peramalan training Index Gambar.1 Plot data aktual dan peramalan data training 79

31 Harga minyak mentah di Indonesia Time Series Plot of data aktual; data peramalan Variable data aktual data peramalan Index Gambar.14 Plot data aktual dan peramalan data testing Dari gambar.1 dan.14 menunjukkan bahwa data aktual dan data hasil peramalan untuk data training saling berdekatan dan pada data testing hanya beberapa yang saling berdekatan. Berdasarkan error yang dihasilkan, nilai MAPE training sebesar 6,9498% dan nilai MAPE testing sebesar 6,9642%. Dengan demikian dapat dikatakan bahwa model yang terbentuk sudah sesuai dan dapat digunakan untuk peramalan harga minyak mentah di Indonesia. C. Peramalan Harga Minyak Mentah di Indonesia Setelah diperoleh model FERNN dan bobot yang dioptimasi, kemudian dilakukan peramalan harga minyak mentah di Indonesia untuk periode Juli- Desember Nilai input yang digunakan untuk peramalan periode Juli 2017 adalah data bulan Desember 2016 Juni Nilai input kemudian difuzzifikasi sehingga diperoleh nilai seperti pada Tabel.6 pada subbab A. Setelah diperoleh nilai input maka proses peramalan dilakukan dengan menggunakan model FERNN seperti pada contoh.1 pada subbab A dan bobot yang dioptimasi. Hasil peramalan disajikan pada Tabel

32 Tabel. 16 Peramalan harga minyak mentah di Indonesia Periode Bulan Data Peramalan (harga ICP) Periode Bulan Data Peramalan (harga ICP) Juli ,6762 Oktober ,255 Agustus ,970 November ,4621 September ,101 Desember ,6769 Pada tabel.16 menunjukkan bahwa hasil peramalan harga minyak mentah di Indonesia bulan Juli 2017 sampai Desember 2017 cenderung mengalami fluktuatif atau cenderung naik turun. Diperkirakan harga minyak mentah di Indonesia akan mencapai harga yang tinggi pada bulan Juli 2017 sebanyak 58,6762 US/brl. 81

FUZZY ELMAN RECURRENT NEURAL NETWORK DALAM PERAMALAN HARGA MINYAK MENTAH DI INDONESIA DENGAN OPTIMASI ALGORITMA GENETIKA TUGAS AKHIR SKRIPSI

FUZZY ELMAN RECURRENT NEURAL NETWORK DALAM PERAMALAN HARGA MINYAK MENTAH DI INDONESIA DENGAN OPTIMASI ALGORITMA GENETIKA TUGAS AKHIR SKRIPSI FUZZY ELMAN RECURRENT NEURAL NETWORK DALAM PERAMALAN HARGA MINYAK MENTAH DI INDONESIA DENGAN OPTIMASI ALGORITMA GENETIKA TUGAS AKHIR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam

Lebih terperinci

BAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan

BAB 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 terperinci

OPTIMASI 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 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 terperinci

BAB II KAJIAN TEORI. manusia dalam berbagai aspek kehidupan. Sebagai salah satu sumber energi yang

BAB II KAJIAN TEORI. manusia dalam berbagai aspek kehidupan. Sebagai salah satu sumber energi yang BAB II KAJIAN TEORI A. Minyak Mentah Indonesia Minyak merupakan salah satu sumber energi yang sangat dibutuhkan manusia dalam berbagai aspek kehidupan. Sebagai salah satu sumber energi yang sangat dibutuhkan

Lebih terperinci

BAB II KAJIAN TEORI. untuk mencari nafkah di tempat yang dikunjungi, tetapi semata-mata untuk

BAB II KAJIAN TEORI. untuk mencari nafkah di tempat yang dikunjungi, tetapi semata-mata untuk BAB II KAJIAN TEORI A. Pariwisata Pariwisata adalah suatu perjalanan yang dilakukan untuk sementara waktu, yang diselenggarakan dari suatu tempat ke tempat lain, dengan maksud bukan untuk mencari nafkah

Lebih terperinci

MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA

MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA TUGAS AKHIR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam

Lebih terperinci

BAB I PENDAHULUAN. kenaikan harga minyak mentah itu sendiri. Saat ini penetapan harga minyak

BAB I PENDAHULUAN. kenaikan harga minyak mentah itu sendiri. Saat ini penetapan harga minyak BAB I PENDAHULUAN A. Latar Belakang Minyak merupakan salah satu sumber energi yang sangat dibutuhkan manusia dalam berbagai aspek kehidupan. Peningkatan jumlah manusia yang membutuhkan minyak dalam kehidupan

Lebih terperinci

BAB II KAJIAN TEORI. Amerika menggunakan model Fuzzy Backpropagation Neural Network, dimana

BAB II KAJIAN TEORI. Amerika menggunakan model Fuzzy Backpropagation Neural Network, dimana BAB II KAJIAN TEORI Penelitian ini membahas tentang prediksi nilai tukar rupiah terhadap dollar Amerika menggunakan model Fuzzy Backpropagation Neural Network, dimana bobot dari model Fuzzy Backpropagation

Lebih terperinci

BAB III PEMBAHASAN. menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian

BAB III PEMBAHASAN. menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian BAB III PEMBAHASAN Dalam bab ini akan dibahas mengenai pembentukan portofolio optimum menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian model Fuzzy Mean Absolute Deviation (FMAD)

Lebih terperinci

2/6/2011. Data deret waktu. Metode : ARIMA. Tahapan : (1) identifikasi model, (2) estimasi model dan (3) validasi model.

2/6/2011. Data deret waktu. Metode : ARIMA. Tahapan : (1) identifikasi model, (2) estimasi model dan (3) validasi model. Data deret waktu Metode : ARIMA Tahapan : () identifikasi model, (2) estimasi model dan (3) validasi model. Jimmy Ludin 30920725 DOSEN PEMBIMBING : Prof. Dra. Susanti Linuwih, M.Stat., Ph.D Dr. Drs. Brodjol

Lebih terperinci

PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES

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 terperinci

OPTIMASI 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 10 Jurnal Matematika Vol 6 No 3 Tahun 2017 OPTIMASI FUZZY BACKPROPAGATION NEURAL NETWORK DENGAN ALGORITMA GENETIKA UNTUK MEMPREDIKSI NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA OPTIMIZATION OF FUZZY BACKPROPAGATION

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam

Lebih terperinci

BAB III PEMBAHASAN. diperoleh menggunakan algoritma genetika dengan variasi seleksi. A. Model Matematika CVRPTW pada Pendistribusian Raskin di Kota

BAB III PEMBAHASAN. diperoleh menggunakan algoritma genetika dengan variasi seleksi. A. Model Matematika CVRPTW pada Pendistribusian Raskin di Kota BAB III PEMBAHASAN Pada bab ini akan dibahas mengenai model matematika pada pendistribusian raskin di Kota Yogyakarta, penyelesaian model matematika tersebut menggunakan algoritma genetika serta perbandingan

Lebih terperinci

FUZZY FEED FORWARD NEURAL NETWORK UNTUK PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN ALGORITMA GENETIKA MENGGUNAKAN VARIASI SELEKSI

FUZZY FEED FORWARD NEURAL NETWORK UNTUK PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN ALGORITMA GENETIKA MENGGUNAKAN VARIASI SELEKSI Fuzzy Feed Forward... (Bhiwararastri Galuh Ar Rizka) 1 FUZZY FEED FORWARD NEURAL NETWORK UNTUK PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN ALGORITMA GENETIKA MENGGUNAKAN VARIASI SELEKSI FUZZY FEED

Lebih terperinci

PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION

PENENTUAN 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 terperinci

BAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan

BAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika

Lebih terperinci

Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation

Perbaikan 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 terperinci

BAB II KAJIAN PUSTAKA. meramalkan sama halnya dengan memprediksi atau memperkirakan suatu hal,

BAB II KAJIAN PUSTAKA. meramalkan sama halnya dengan memprediksi atau memperkirakan suatu hal, BAB II KAJIAN PUSTAKA A. Peramalan Peramalan adalah suatu teknik untuk meramalkan keadaan di masa yang akan datang melalui pengujian keradaan di masa lalu. Pada dasarnya, meramalkan sama halnya dengan

Lebih terperinci

BAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:

BAB 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 terperinci

BAB 3 ANALISIS DAN PERANCANGAN APLIKASI

BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma

Lebih terperinci

KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q)

KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q) SIDANG TUGAS AKHIR KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q) Disusun oleh : Ratna Evyka E.S.A NRP 1206.100.043 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi

Lebih terperinci

T I N J A U A N P U S T A K A Algoritma Genetika [5]

T I N J A U A N P U S T A K A Algoritma Genetika [5] Algoritma Genetika [5] Fitness adalah nilai yang menyatakan baik-tidaknya suatu jalur penyelesaian dalam permasalahan TSP,sehingga dijadikan nilai acuan dalam mencari jalur penyelesaian optimal dalam algoritma

Lebih terperinci

BAB III METODE PENELITIAN

BAB 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 terperinci

Rancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika

Rancang 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 terperinci

BAB IV PEMBAHASAN. A. Aplikasi Fuzzy Logic untuk Menilai Kolektibilitas Anggota Sebagai. Pertimbangan Pengambilan Keputusan Pemberian Kredit

BAB IV PEMBAHASAN. A. Aplikasi Fuzzy Logic untuk Menilai Kolektibilitas Anggota Sebagai. Pertimbangan Pengambilan Keputusan Pemberian Kredit BAB IV PEMBAHASAN A. Aplikasi Fuzzy Logic untuk Menilai Kolektibilitas Anggota Sebagai Pertimbangan Pengambilan Keputusan Pemberian Kredit Aplikasi fuzzy logic untuk pengambilan keputusan pemberian kredit

Lebih terperinci

ERWIEN TJIPTA WIJAYA, ST.,M.KOM

ERWIEN 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 terperinci

APLIKASI ALGORITMA GENETIKA UNTUK MERAMALKAN KONSUMSI PREMIUM KOTA DENPASAR

APLIKASI ALGORITMA GENETIKA UNTUK MERAMALKAN KONSUMSI PREMIUM KOTA DENPASAR E-Jurnal Matematika Vol. 3 (4), November 2014, pp. 10-17 ISSN: 2303-171 APLIKASI ALGORITMA GENETIKA UNTUK MERAMALKAN KONSUMSI PREMIUM KOTA DENPASAR Victor Mallang 1, Ketut Jayanegara 2, Made Asih 3, I

Lebih terperinci

IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR

IMPLEMENTASI 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 terperinci

Prediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering

Prediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 T - 12 Prediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN. Tingkat kesehatan bank dapat diketahui dengan melihat peringkat

BAB IV HASIL DAN PEMBAHASAN. Tingkat kesehatan bank dapat diketahui dengan melihat peringkat BAB IV HASIL DAN PEMBAHASAN A. Analisis Tingkat Kesehatan Bank Tingkat kesehatan bank dapat diketahui dengan melihat peringkat komposit bank tersebut. Menurut peraturan Bank Indonesia No. 13/1/PBI/2011

Lebih terperinci

BAB 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 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 terperinci

ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR

ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi

Lebih terperinci

Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika

Peramalan 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 terperinci

IMPLEMENTASI ALGORITMA GENETIKA UNTUK MINIMASI GALAT PADA METODE PERAMALAN ARIMA

IMPLEMENTASI ALGORITMA GENETIKA UNTUK MINIMASI GALAT PADA METODE PERAMALAN ARIMA Seminar Nasional Sistem Informasi Indonesia, 2-3 November 2015 IMPLEMENTASI ALGORITMA GENETIKA UNTUK MINIMASI GALAT PADA METODE PERAMALAN ARIMA Muhammad Abdurrahman Baraja (1), Wiwik Anggraeni (2) (1,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

METODOLOGI PENELITIAN

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 terperinci

ISSN: JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman Online di:

ISSN: 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 terperinci

BAB 3 METODOLOGI PENELITIAN

BAB 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 terperinci

Genetic Algorithme. Perbedaan GA

Genetic Algorithme. Perbedaan GA Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari

Lebih terperinci

BAB 2 KONSEP DASAR PENGENAL OBJEK

BAB 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 terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI 27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.

Lebih terperinci

STUDI ANALISA PELATIHAN JARINGAN SYARAF TIRUAN DENGAN DAN TANPA ALGORITMA GENETIKA

STUDI 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 terperinci

PERANCANGAN PENGATURAN DURASI LAMPU LALU LINTAS ADAPTIF

PERANCANGAN 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 terperinci

BAB II KAJIAN TEORI. Pada bab ini, dalam Fuzzy FFNNuntuk Peramalan IHSG dengan Algoritma

BAB II KAJIAN TEORI. Pada bab ini, dalam Fuzzy FFNNuntuk Peramalan IHSG dengan Algoritma BAB II KAJIAN TEORI Pada bab ini, dalam Fuzzy FFNNuntuk Peramalan IHSG dengan Algoritma Genetika Variasi Seleksi berisi tentang kajian teori yang akan digunakan dalam penelitian ini, diantaranya mengenai

Lebih terperinci

8. Evaluasi Solusi dan Kriteria Berhenti Perumusan Masalah METODE PENELITIAN Studi Pustaka Pembentukan Data

8. Evaluasi Solusi dan Kriteria Berhenti Perumusan Masalah METODE PENELITIAN  Studi Pustaka Pembentukan Data Gambar 4 Proses Swap Mutation. 8. Evaluasi Solusi dan Kriteria Berhenti Proses evaluasi solusi ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom sampai terpenuhi kriteria

Lebih terperinci

PREDIKSI 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 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 terperinci

Optimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi

Optimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi Optimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi Rahman Aulia Universitas Sumatera Utara Pasca sarjana Fakultas Ilmu Komputer Medan, Indonesia Rahmanaulia50@gmail.com Abstract

Lebih terperinci

T 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 T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta

Lebih terperinci

Aplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita

Aplikasi 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 terperinci

PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI

PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION (Studi Kasus : Harga Penutupan Saham Unilever Indonesia Tbk. Periode September

Lebih terperinci

PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA)

PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA) PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA) Oleh : Nofinda Lestari 1208 100 039 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT

Lebih terperinci

TAHUN AKADEMIK 2016/2017. : PENGANTAR INTELEGENSI BUATAN : Betha Nurina Sari, M.Kom. : Open Book via Google Form (90 Menit)

TAHUN 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 terperinci

PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN

PERAMALAN 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 terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data

Lebih terperinci

JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-222

JURNAL 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 terperinci

BAB III PEMBAHASAN. Pada bab ini, dibahas mengenai model Vector Error Correction (VEC),

BAB III PEMBAHASAN. Pada bab ini, dibahas mengenai model Vector Error Correction (VEC), BAB III PEMBAHASAN Pada bab ini, dibahas mengenai model Vector Error Correction (VEC), prosedur pembentukan model Vector Error Correction (VEC), dan aplikasi model Vector Error Correction (VEC) pada penutupan

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 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 terperinci

BAB III METODE PENELITIAN. Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika

BAB 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 terperinci

HASIL DAN PEMBAHASAN. Gambar 7 Diagram alur proses mutasi.

HASIL DAN PEMBAHASAN. Gambar 7 Diagram alur proses mutasi. 5 Mulai HASIL DAN PEMBAHASAN Kromosom P = rand [0,1] Ya P < Pm R = random Gen(r) dimutasi Selesai Tidak Gambar 7 Diagram alur proses mutasi. Hasil populasi baru yang terbentuk akan dievaluasi kembali dan

Lebih terperinci

Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah

Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah

Lebih terperinci

PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN

PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan

Lebih terperinci

BAB SIMULASI PERHITUNGAN HARGA BARANG. Bab 4 Simulasi Perhitungan Harga barang berisikan :

BAB SIMULASI PERHITUNGAN HARGA BARANG. Bab 4 Simulasi Perhitungan Harga barang berisikan : BAB SIMULASI PERHITUNGAN HARGA BARANG Bab Simulasi Perhitungan Harga barang berisikan :.. Simulasi peramalan nilai Indeks Harga Konsumen (IHK) melalui metode ARIMA.. Prediksi nilai inflasi tahun 0.3. Prediksi

Lebih terperinci

BAB III METODE PENELITIAN. Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu

BAB III METODE PENELITIAN. Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu BAB III METODE PENELITIAN 3.1 Pengumpulan Data Beban Listrik dari PLN Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu selama lima tahun pada periode 2006-2010, selanjutnya data

Lebih terperinci

PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA

PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA Seminar Hasil Tugas Akhir Jurusan Statistika Institut Teknologi Sepuluh Nopember Surabaya 2013 LOGO PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA

Lebih terperinci

Institut Teknologi Sepuluh Nopember Surabaya

Institut Teknologi Sepuluh Nopember Surabaya Aplikasi Sistem Inferensi Fuzzy Metode Sugeno dalam Memperkirakan Produksi Air Mineral dalam Kemasan Oleh Suwandi NRP 1209201724 Dosen Pembimbing 1. Prof. Dr M. Isa Irawan, MT 2. Dr Imam Mukhlash, MT Institut

Lebih terperinci

BAB III. Metode Penelitian

BAB III. Metode Penelitian BAB III Metode Penelitian 3.1 Diagram Alir Penelitian Secara umum diagram alir algoritma genetika dalam penelitian ini terlihat pada Gambar 3.1. pada Algoritma genetik memberikan suatu pilihan bagi penentuan

Lebih terperinci

Optimasi Persediaan Multi-item Fuzzy EOQ Di PT UWBM dengan Algoritma Genetika

Optimasi Persediaan Multi-item Fuzzy EOQ Di PT UWBM dengan Algoritma Genetika Optimasi Persediaan Multi-item Fuzzy EOQ Di PT UWBM dengan Algoritma Genetika Disusun Oleh : Ainy Mahmudah 1307 100 002 Pembimbing I Pembimbing II : Dr. Irhamah, S.Si., M.Si : Dra. Sri Mumpuni R, M.Si

Lebih terperinci

Prediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan Metode Genetic-Based Backpropagation

Prediksi 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 terperinci

BAB 3 METODOLOGI PENELITIAN

BAB 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 terperinci

PERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI

PERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI PERANCANGAN TATA LETAK FASILITAS BAGIAN PRODUKSI MENGGUNAKAN METODE ALGORITMA GENETIK DI PT. PUTRA SEJAHTERA MANDIRI TUGAS SARJANA Diajukan Untuk Memenuhi Sebagian Dari Syarat-Syarat Memperoleh Gelar Sarjana

Lebih terperinci

BAB IV PERANCANGAN & IMPLEMENTASI SISTEM

BAB 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 terperinci

BAB II KAJIAN PUSTAKA. Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi

BAB II KAJIAN PUSTAKA. Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi BAB II KAJIAN PUSTAKA Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi graf, permasalahan optimasi, model matematika dari objek wisata di Yogyakarta, dan algoritma genetika

Lebih terperinci

Pengantar Kecerdasan Buatan (AK045218) Algoritma Genetika

Pengantar Kecerdasan Buatan (AK045218) Algoritma Genetika Algoritma Genetika Pendahuluan Struktur Umum Komponen Utama Seleksi Rekombinasi Mutasi Algoritma Genetika Sederhana Referensi Sri Kusumadewi bab 9 Luger & Subblefield bab 12.8 Algoritma Genetika 1/35 Pendahuluan

Lebih terperinci

OPTIMASI HASIL PREDIKSI KETERSEDIAAN ENERGI SUMBER DAYA MINERAL MENGGUNAKAN ALGORITMA GENETIKA

OPTIMASI HASIL PREDIKSI KETERSEDIAAN ENERGI SUMBER DAYA MINERAL MENGGUNAKAN ALGORITMA GENETIKA OPTIMASI HASIL PREDIKSI KETERSEDIAAN ENERGI SUMBER DAYA MINERAL MENGGUNAKAN ALGORITMA GENETIKA Eka Handayani 1, Jondri,Drs.,M.T. 2, Siti Sa adah,s.t.,m.t. 3 1,2,3 ProdiS1 Teknik Informatika, Fakultas Teknik,

Lebih terperinci

Pemodelan 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 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 terperinci

JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-31

JURNAL 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 terperinci

Data Tingkat Hunian Hotel Rata-Rata di Propinsi DIY Tahun Tahun Bulan Wisman

Data Tingkat Hunian Hotel Rata-Rata di Propinsi DIY Tahun Tahun Bulan Wisman Lampiran 1. Data Tingkat Hunian Hotel di Propinsi DIY Tahun 1991-2003 48 49 Lampiran 1 Data Tingkat Hunian Hotel Rata-Rata di Propinsi DIY Tahun 1991-2003, Tahun Bulan Wisman 1991 1 27,00 1991 2 30,60

Lebih terperinci

MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB

MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA 2.1 Stasioneritas Stasioneritas berarti bahwa tidak terdapat perubahan yang drastis pada data. Fluktuasi data berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung

Lebih terperinci

ANALISIS 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 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 terperinci

3.2.3 Resiko, Keuntungan dan Kerugian Forex Metode Prediksi dalam Forex MetaTrader 4 sebagai Platform Trading dalam Forex...

3.2.3 Resiko, Keuntungan dan Kerugian Forex Metode Prediksi dalam Forex MetaTrader 4 sebagai Platform Trading dalam Forex... DAFTAR ISI HALAMAN PENGESAHAN... iii PERNYATAAN... iv HALAMAN MOTTO DAN PERSEMBAHAN... v PRAKATA... vi DAFTAR ISI... viii DAFTAR GAMBAR... xi DAFTAR TABEL... xiv DAFTAR PERSAMAAN... xv DAFTAR LAMPIRAN...

Lebih terperinci

SIMULASI PENGENDALIAN KECEPATAN MOBIL OTOMATIS MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA

SIMULASI PENGENDALIAN KECEPATAN MOBIL OTOMATIS MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA SIMULASI PENGENDALIAN KECEPATAN MOBIL OTOMATIS MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA Helmy Thendean, M.Kom 1) Albert, S.Kom 2) Dra.Chairisni Lubis, M.Kom 3) 1) Program Studi Teknik Informatika,Universitas

Lebih terperinci

Implementasi 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 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 terperinci

PENDAHULUAN. Latar Belakang. Tujuan Penelitian

PENDAHULUAN. Latar Belakang. Tujuan Penelitian PENDAHULUAN Latar Belakang Fungsi Cobb-Douglas dengan galat aditif merupakan salah satu fungsi produksi yang dapat digunakan untuk menganalisis hubungan antara hasil produksi dan faktor-faktor produksi.

Lebih terperinci

IMPLEMENTASI ALGORITMA GENETIKA DENGAN VARIASI SELEKSI DALAM PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM WITH TIME WINDOWS

IMPLEMENTASI ALGORITMA GENETIKA DENGAN VARIASI SELEKSI DALAM PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM WITH TIME WINDOWS IMPLEMENTASI ALGORITMA GENETIKA DENGAN VARIASI SELEKSI DALAM PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (CVRPTW) UNTUK OPTIMASI RUTE PENDISTRIBUSIAN RASKIN DI KOTA YOGYAKARTA TUGAS

Lebih terperinci

BAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function

BAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung

Lebih terperinci

BAB III PEMBAHASAN. A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium

BAB III PEMBAHASAN. A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium BAB III PEMBAHASAN A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium Kanker Payudara Fuzzy Neural Network (FNN) adalah gabungan sistem fuzzy dengan Artificial Neural Network (ANN).

Lebih terperinci

PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA

PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA KEMENTERIAN PEKERJAAN UMUM BADAN PENELITIAN DAN PENGEMBANGAN PUSAT PENELITIAN DAN PENGEMBANGAN SUMBER DAYA AIR PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA PENDAHULUAN Prediksi data runtut waktu.

Lebih terperinci

PREDIKSI TINGKAT INFLASI DI INDONESIA BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA. Rita Rismala 1, Said Al Faraby 2

PREDIKSI TINGKAT INFLASI DI INDONESIA BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA. Rita Rismala 1, Said Al Faraby 2 PREDIKSI TINGKAT INFLASI DI INDONESIA BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA Rita Rismala 1, Said Al Faraby 2 1,2 Prodi S1 Informatika, Fakultas Informatika, Universitas Telkom 1 ritaris@telkomuniversity.ac.id,

Lebih terperinci

Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner

Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses

Lebih terperinci

OPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN

OPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN OPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN MENGGUNAKAN ALGORITMA GENETIKA Azimatul Khulaifah 2209 105 040 Bidang Studi Sistem Tenaga Jurusan Teknik Elektro FTI ITS Dosen Pembimbing : Dosen

Lebih terperinci

BAB II LANDASAN TEORI. landasan pembahasan pada pada bab selanjutnya yaitu Konsep Dasar Time Series,

BAB II LANDASAN TEORI. landasan pembahasan pada pada bab selanjutnya yaitu Konsep Dasar Time Series, BAB II LANDASAN TEORI Pada bab II dijelaskan pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada pada bab selanjutnya yaitu Konsep Dasar Time Series, Wisatawan Mancanegara, dan

Lebih terperinci

PREDIKSI TIME SERIES TINGKAT INFLASI INDONESIA MENGGUNAKAN EVOLUTION STRATEGIES

PREDIKSI 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 terperinci

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di: ISSN: 2339-24 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 20, Halaman 74-74 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian PERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA

Lebih terperinci

PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM

PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK DISTRIBUSI SURAT KABAR KEDAULATAN RAKYAT DI KABUPATEN SLEMAN SKRIPSI Diajukan Kepada Fakultas Matematika

Lebih terperinci

Algoritma Evolusi Real-Coded GA (RCGA)

Algoritma Evolusi Real-Coded GA (RCGA) Algoritma Evolusi Real-Coded GA (RCGA) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Siklus RCGA 2. Alternatif Operator Reproduksi pada Pengkodean Real 3. Alternatif Operator Seleksi 4.

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB 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 terperinci

PEMODELAN 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 ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 61-70 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN JARINGAN SYARAF TIRUAN DENGAN ALGORITMA ONE STEP SECANT

Lebih terperinci

Jurnal Elektro ELTEK Vol. 2, No. 1, April 2011 ISSN:

Jurnal Elektro ELTEK Vol. 2, No. 1, April 2011 ISSN: Perbandingan Penggunaan Metode Radial Basis Function Network () Dari Metode Fuzzy Neural Netwotk () Dalam Memperkirakan Beban Jangka Pendek di GI. Gondang Wetan Pasuruan Rory Asrial, Almizan Abdullah,

Lebih terperinci