BAB III PELAKSANAAN PENELITIAN
|
|
- Hendri Susman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB III PELAKSANAAN PENELITIAN 3.1 Kerangka Pikir Pemodelan Nilai Tanah Dalam penelitian ini dilakukan pengembangan metode penilaian tanah menggunakan metode analisis spasial dan Jaringan Syaraf Tiruan (JST). Metode JST digunakan karena karakteristik nilai tanah dipengaruhi oleh banyak variabel dan masing-masing variabel saling mempengaruhi satu dengan yang lain. Variabel lokasi dan aksesibilitas digunakan sebagai variabel utama dalam model nilai tanah mengingat bahwa variabel lokasi dan aksesibilitas adalah variabel yang sangat signifikan dalam model nilai tanah. Model nilai tanah yang dikembangkan dalam penelitian ini diterapkan pada wilayah studi kasus Kecamatan Regol, Kota Bandung, Jawa Barat. Data sampel yang diperoleh sebanyak 143 data nilai tanah. Kecamatan Regol merupakan salah satu dari 26 kecamatan di Kota Bandung. Peta wilayah penelitian dapat dilihat pada Gambar III-1, sedangkan batas-batas wilayah Kecamatan Regol adalah sebagai berikut: Sebelah Utara berbatasan dengan Kecamatan Sumur Bandung Sebelah Timur berbatasan dengan Kecamatan Lengkong Sebelah Selatan berbatasan dengan Kecamatan Bandung Kidul Sebelah Barat berbatasan dengan Kecamatan Astana Anyar 35
2 Gambar III-1 Peta Daerah Penelitian 36
3 Sedangkan luas masing-masing kelurahan di Kecamatan Regol seperti terlihat pada Tabel III-1 berikut: No Nama Kelurahan Luas Wilayah (m 2 ) 1 Ancol Balonggede Ciateul Ciseureuh Cigereleng Pasirluyu Pungkur Tabel III-1 Luas Masing-masing Kelurahan di Kecamatan Regol 3.2 Persiapan Pada tahap pesiapan dan perancangan model nilai tanah dilakukan kegiatan-kegiatan sebagai berikut: 1. Studi literatur terhadap beberapa penelitian terdahulu yang sesuai dengan topik kajian. Studi literatur juga dilakukan dengan landasan teori yang mendukung topik kajian antara lain masalah penilaian tanah, statistika, jaringan syaraf tiruan serta perangkat lunak pendukung penelitian. 2. Rancangan penelitian yang terdiri dari perumusan masalah penelitian, penentuan tujuan penelitian, penyusunan hipotesis serta metodologi penenlitian. Metodologi penelitian terdiri dari penentuan daerah studi, variabel penelitian yang digunakan, cara pengumpulan data, cara pengolahan data serta analisis penelitian. 3. Penentuan lokasi penelitian dengan pertimbangan ketersediaan data dan sumber daya yang ada. Kecamatan Regol, Kota Bandung, Jawa Barat, dipilih menjadi wilayah penelitian dengan pertimbangan data nilai telah tersedia dari peneliti sebelumnya (Nur'aini, 2011). 4. Penentuan variabel dilakukan dengan merujuk pada penelitian-penelitian sebelumnya dan disesuaikan dengan kondisi wilayah penelitian. Variabelvariabel yang digunakan dalam penelitian ini terdiri dari: a. Variabel terikat, yaitu nilai tanah. b. Variabel bebas yang terdiri dari. 37
4 Variabel eksogen, yang berupa jarak lurus dari centroid bidang tanah ke centroid pusat perdagangan, fasilitas kesehatan, sarana pendidikan, sedangkan jarak dari jalan utama terdekat menggunakan jarak buffer. Variabel endogen, yaitu variabel yang melekat pada bidang tanah yang meliputi lebar sisi depan bidang tanah, lebar jalan di depan bidang tanah, dan luas bidang tanah. 3.3 Pengumpulan Data Dalam penelitian ini tahap-tahap pengumpulan data, pengolahan data, pembangunan model dan analisis model dilakukan dengan bantuan bahan dan alat berikut: 1. Digitasi peta blok bidang tanah serta analisis spasial menggunakan ArcGIS 9.3, perangkat lunak yang diproduksi ESRI. 2. Pemasukan dan pengolahan data regresi berganda serta analisis statistik pengujian regresi berganda dilakukan dengan menggunakan Microsoft Excel dan SPSS Implementasi program jaringan syaraf tiruan dilakukan dengan menggunakan Matlab R2010b. 4. Penulisan laporan penelitian dilakukan dengan menggunakan Microsoft Word. Perangkat keras yang digunakan dalam penelitian ini adalah komputer notebook dengan spesifikasi sebagai berikut: 1. Processor Intel Core i3-2310m 2.10 GHz 2. Harddisk 500 GB 3. RAM 2 GB Pengumpulan data dilakukan untuk mendapatkan data variabel penelitian, yang terdiri atas data primer dan sekunder, antara lain: 1. Peta Bidang Tanah Kecamatan Regol, data ini merupakan data sekunder yang diperoleh dari Kantor Pertanahan Kota Bandung. 2. Peta Land Use Kota Bandung, data ini merupakan data sekunder yang diperoleh dari Dr. Andri Hernandi, ST., MSP. 3. Citra Satelit Kecamatan Regol, data ini merupakan data sekunder yang diperoleh dari Kantor Pertanahan Kota Bandung. 38
5 4. Jarak centroid dari variabel ke data sampel, data ini merupakan data primer yang diperoleh melalui analisis jarak lurus antar centroid menggunakan perangkat lunak ArcGIS 9.3 di atas Peta Blok Bidang Tanah Kecamatan Regol yang diperoleh dari Kantor Pertanahan Kota Bandung, dengan tahapan sebagai berikut: 1. Penandaan titik centroid (titik tengah) variabel penelitian dan titik centroid data sampel. 2. Melakukan pengukuran jarak lurus antar centroid untuk mendapatkan data jarak dari variabel penelitian ke sampel penelitian. Hasil pengukuran jarak lurus antar centroid dapat dilihat pada Gambar III-2 berikut: Gambar III-2 Hasil Pengukuran jarak tempuh terpendek 5. Nilai tanah, data ini merupakan data sekunder yang diperoleh dari data penawaran dan transaksi jual beli di Kecamatan Regol berdasarkan hasil survey Kantor Pertanahan Kota Bandung. Data nilai tanah ini diperoleh melalui peneliti sebelumnya (Rina Nur aini). Terhadap data nilai tanah tersebut telah dilakukan verifikasi dan penyesuaian (adjustment) jenis data dan waktu penilaian. (Data nilai tanah dapat dilihat pada Lampiran A). 6. Jarak buffer, ukuran jarak buffer dari jalan merupakan data primer yang diperoleh dengan cara melakukan buffer terhadap poros jalan Pada Peta Blok Bidang Tanah dengan interval buffer 10 m seperti pada Gambar III-3 berikut: 39
6 Gambar III-3 Jarak Buffer 7. Lebar sisi depan objek, merupakan data sekunder yang diperoleh dari peneliti sebelumnya (Rina Nur aini), yang merupakan basis data Kantor Pertanahan Kota Bandung. 8. Lebar jalan, data ini merupakan data sekunder yang diperoleh dari peneliti sebelumnya (Rina Nur aini), yang merupakan basis data Kantor Pertanahan Kota Bandung. 9. Luas tanah, data ini merupakan data sekunder yang diperoleh dari peneliti sebelumnya (Rina Nur aini), yang merupakan basis data Kantor Pertanahan Kota Bandung. Lokasi persebaran variabel eksogen yaitu pusat perdagangan, fasilitas kesehatan, sarana pendidikan dan jalan utama dapat dilihat pada Gambar III-4 sampai dengan Gambar III-7. (Daftar variabel bebas dapat dilihat pada Lampiran B dan Hasil pengumpulan data dapat dilihat pada Lampiran D) 40
7 Gambar III-4 Peta Persebaran Pusat Perdagangan 41
8 Gambar III-5 Peta Persebaran Fasilitas Kesehatan 42
9 Gambar III-6 Peta Persebaran Sarana Pendidikan 43
10 Gambar III-7 Peta Jaringan Jalan Utama 44
11 3.4 Pengolahan Data Tahapan pengolahan data ini diawali dengan melakukan analisis terhadap data masukan, analisis ini bertujuan untuk meningkatkan kualitas data masukan yang terdiri dari data nilai tanah dan data jarak sebelum digunakan dalam pemodelan. Terhadap data nilai tanah dilakukan penyesuaian jenis data dan waktu penilaian, dimana hal ini telah dilakukan oleh peneliti terdahulu. Terhadap data nilai tanah juga dilakukan analisis statistik untuk melihat pola persebaran datanya dan kemudian dibagi dalam beberapa kelompok. Data nilai tanah juga dipisahkan dalam dua bagian yaitu data untuk pembentukan model dan data untuk pengujian model. Pembagian data ini berdasarkan proporsi masing-masing kelompok yang dilihat dari sebaran datanya seperti pada Gambar III-8 berikut: Gambar III-8 Histogram Sebaran Data Nilai Tanah Kecamatan Regol Untuk melihat lebih jelas sebaran data nilai tanah tersebut maka dipergunakan fasilitas boxplot dalam perangkat lunak SPSS 17.00, seperti yang terlihat pada Gambar III-9 berilut: 45
12 Gambar III-9 Boxplot Sebaran Data Nilai Tanah Kecamatan Regol Dari Gambar III-9 di atas terlihat bahwa nilai ekstrim dari data nilai tanah yang ada yaitu nilai tanah yang lebih besar dari Rp ,-/m 2. Data nilai tanah yang lebih besar dari Rp ,-/m 2 terlihat memisah jauh dari keseluruhan data. Dalam hasil analisis statistik dengan memanfaatkan boxplot tersebut, maka dalam kelanjutannya ada dua data sampel tanah yang tidak diikutsertkan pada pengolahan data berikutnya, yaitu data ekstrim atas dan data ekstrim bawah. Dari set data nilai tanah yang baru juga dilihat sebarannya secara statistik seperti pada Gambar III-10 berikut: 46
13 Gambar III-10 Histogram Sebaran Data Nilai Tanah Dengan Set Data Baru Dari Gambar III-10 tersebut terlihat bahwa frekuensi nilai tanah di Kecamatan Regol terbagi menjadi 3 (tiga) kategori. Untuk melihat lebih jelas klasifikasi sebaran data nilai tanah tersebut, maka dari set data yang baru juga dibuat grafik boxplot seperti pada Gambar III-11 berikut: Gambar III-11 Boxplot Sebaran Data Nilai Tanah Dengan Set Data Baru 47
14 Klasifikasi data nilai tanah berdasarkan sebarannya menurut histogram dan boxplot tersebut terbagi dalam 3 (kategori) yang secara jelas dapat dilihat pada Tabel III-2 berikut: Tabel III-2 Klasifikasi Nilai Tanah Kecamatan Regol No Klasifikasi Nilai Tanah per m 2 Jumlah Data Persen 1 Kurang dari Rp Antara Rp s/d Rp Lebih dari Rp Jumlah Pembagian data training dan data testing kemudian dilakukan berdasarkan klasifikasi data pada Tabel III-2 di atas. Dari 141 data nilai tanah, dibagi 80% untuk training dan 20% sisanya sebagai testing. Data training digunakan untuk membentuk model, baik model regresi berganda maupun model jaringan syaraf tiruan. Data testing digunakan untuk menguji model yang telah terbentuk. Jumlah data untuk training dan testing masing-masing adalah: Proporsi masing-masing kategori dalam training dan testing harus sesuai dengan proporsi masing-masing kategori dalam data keseluruhan. Proporsi masing-masing kategori ditunjukkan oleh persentase kategori tersebut, sehingga jumlah masingmasing kategori dalam data training dan testing adalah: Untuk data training 48
15 Untuk data training Dengan demikian untuk data kategori 1 diambil 25 data secara acak dari 127 data untuk testing. Untuk data kategori 2 diambil dua data secara acak dari delapan data untuk testing, dan dari data kategori 3 diambil satu data secara acak dari enam data untuk testing. Pengambilan data secara acak dari setiap kategori dilakukan dengan menggunakan bantuan perangkat lunak Minitab, yaitu dengan melakukan pengambilan sampel secara acak tanpa pengembalian, sebanyak data testing yang diperlukan. Terhadap data variabel jarak dilakukan analisis hubungan terhadap nilai tanah dengan melihat diagram pencar hubungan data masing-masing variabel jarak terhadap nilai tanah. Salah satu contoh diagram pencar hubungan antara nilai tanah dengan jarak terhadap King Shopping Centre terlihat pada Gambar III-12 (Diagram pencar masing-masing variabel terhadap nilai tanah dapat dilihat pada Lampiran C). 49
16 King Shopping Centre Nilai Tanah (Rp/m2) Jarak (m) Gambar III-12 Diagram Pencar Jarak dari King Shopping Centre Terhadap Nilai Tanah Selanjutnya tahap pengolahan data dibedakan atas 2 (dua) kegiatan utama, yaitu pengolahan data menggunakan metode regresi dan pengolahan data menggunakan metode Jaringan Syaraf Tiruan (JST) Pengolahan Data Menggunakan Metode Regresi Pengolahan data menggunakan metode regresi menggunakan variabel penentu nilai tanah yakni jarak lurus antar centroid yang berupa jarak ke pusat perdagangan, jarak ke fasilitas kesehatan, jarak ke sarana pendidikan, dan jarak ke jalan utama, serta variabel endogen yang berupa lebar jalan depan objek, lebar sisi depan objek dan luas bidang tanah. Pengolahan data dibagi dalam dua tahap yaitu tahap pembentukan model dan tahap validasi model. Tahap pengolahan metode regresi dapat dilihat pada Gambar III-10 berikut: 50
17 Gambar III-13 Tahap Pengolahan Data Metode Regresi Pemodelan dengan menggunakan metode regresi terdiri dari beberapa tahap di bawah ini: a. Transformasi data Transformasi data pada regresi berganda bertujuan untukmenormalisasi data agar semua data yang dugunakan untuk pembentukan model berada pada range yang samasehingga semua variabel bebas memberikan efek yang sama pada pembentukan model. Selanjutnya normalisasi data ini berkaitan dengan jenis model regresi yang akan digunakan yaitu model aditif (lin-lin) dan multiplikatif (log-log) dengan menggunakan jarak asli (x) dan juga jarak resiprokal (1/x), dimana proses normalisasi yang dilakukan adalah transformasi data ke dalam bentuk logaritma natural pada model multiplikatif dan juga transformasi data ke dalam bentuk resiprokalnya pada model aditif dan multiplikatif dengan jarak resiprok. 51
18 b. Reduksi variabel bebas Proses reduksi variabel-variabel bebas dilakukan sebagai berikut: 1. Bentuk matriks (r) dari semua variabel yang ada. Matriks korelasi (r) berguna untuk mengetahui tingkat hubungan antara variabel bebas dengan variabel terikatnya serta antara variabel bebas. Berdasarkan analisis korelasi dapat diketahui korelasi antar variabel bebas bervariasi, mulai korelasi sangat rendah sampai sangat tinggi yang dapat dilihat pada Tabel III-3 (tabel korelasi lengkap antara variabel nilai tanah dapar dilihat pada lampiran) Tabel III-3 Matriks korelasi ganda (r) Yogy ITC King Plaza Nilai a Palaguna Alun Kebon Shopping Parahyan Tanah Toser Plaza Alun Kalapa Centre gan ba Nilai Tanah ITC Kebon Kalapa Yogya Toserba Melakukan seleksi variabel menggunakan metode regresi stepwise Ada beberapa pilihan metode yang dapat digunakan untuk melakukan seleksi variabel-variabel bebas dalam rangka membentuk model akhir regresi(dillon & Goldstein, 1984). Metode yang paling popular digunakan yakni metode stepwise, yang merupakan kombinasi dari forward dan backward selection. Variabel yang terpilih adalah variabel dengan nilai koefisien determinansi (R 2 ) diatas 50%. Hasil seleksi variabel dengan menggunakan metode regresi stepwise dapat dilihat pada Tabel III-4 berikut: Tabel III-4 Seleksi Variabel dengan Metode Regresi Stepwise No Model Variabel Y Variabel X R 2 Jumlah Variabel 52
19 I Variabel Eksogen 1 Aditif Y X (enam) 2 Aditif Y 1/X (empat belas) 3 Multiplikatif Ln Y Ln X (empat) 4 Multiplikatif Ln Y Ln 1/X (empat) II Variabel Eksogen dan Endogen 1 Aditif Y X (lima) 2 Aditif Y 1/X (enam) 3 Multiplikatif Ln Y Ln X (empat) 4 Multiplikatif Ln Y Ln 1/X (empat) c. Model awal Dari hasil seleksi variabel menggunakan metode regresi stepwise, selanjutnya variabel terseleksi digunakan dalam penyusunan model awal. Hasil pembentukan model awal terlihat pada Tabel III-5 berikut: Tabel III-5 Hasil Pemodelan Awal No Variabel Eksogen Aditif (x) Aditif (1/x) Multiplikatif (x) Multiplikatif (1/x) 1 ITC Kebon Kalapa 17,697 2 Pasar Kota Kembang 59,041 3 SMK Pasundan 1 27,297-38,483,425 4 SDS YAY Dewi Sartika -37,171 2,665,698,598 5 JL Moh Toha 2,163 6 SMP Negeri 43-67, ,412, SDS Bina Talenta 744,595,547 8 Universitas Langlangbuana -655,702, JL BKR 44,696, JL Pungkur 44,616, JL Moh Ramdan 26,265, Yogya Toserba -4,463,988, JL Ibu Inggrit Garnasih 30,815,237 53
20 14 SMA Pasundan 1 2,080,654, JL Asia Afrika -2,315,840, JL Dewi Sartika 91,913, SD Mochammad Toha 2,3,4-302,002,587 No Variabel Eksogen dan Endogen Aditif (x) Aditif (1/x) Multiplikatif (x) Multiplikatif (1/x) 1 Puskesmas Pasirluyu -1,053 2 Lebar Jalan 310, , King Shopping Centre 8,898 4 Puskesmas Pasundan 17,169 5 SMP Negeri 43-26, ,303,058 6 SDS YAY Dewi Sartika 1,556,484, JL BKR 38,148, Yogya Toserba -1,436,466,410 9 Universitas Langlangbuana -343,493, * * d. Pengujian model regresi Sebelum proses pemodelan dilanjutkan ke tahap berikutnya, maka perlu dilakukan penguian-pengujian sehingga dapat diperoleh variabel-variabel yang signifikan. Disamping itu pada tahap ini akan dihasilkan model yang telah memenuhi aturan-aturan pemodelan, baik secara a priori ekonomi, maupun ujiuji statistik dan asumsi-asumsi klasik analisis regresi. 1. Uji kriteria a priori ekonomi Uji kriteria a priori ekonomi dilakukan dengan cara membandingkan kesesuian tanda antara koefisien parameter yang diperoleh, dengan anggapan umum yang berlaku. Apabila tanda koefisien parameter regresi sesuai dengan teori, maka variabel tersebut lolos dari uji kriteria ekonomi. Sebaliknya, jika tanda dari koefisien tidak sesuai dengan teori, maka variabel tersebut tidak lolos uji. Terkait dengan pengujian variabel dengan uji a priori ekonomi, maka perlu dibuat hipotesis yang terdiri dari: a) Jarak ke pusat perdagangan terdekat mempunyai hubungan negatif terhadap nilai tanah, yang bermakna bahwa semakin jauh lokasi obyek dari pusat perdagangan terdekat akan semakin rendah nilai tanahnya dan sebaliknya (positif jika jarak yang digunakan adalah jarak resiprokal). 54
21 b) Jarak ke fasilitas kesehatan terdekat mempunyai hubungan negatif terhadap nilai tanah, yang bermakna bahwa semakin jauh lokasi obyek dari fasilitas kesehatan terdekat akan semakin rendah nilai tanahnya dan sebaliknya (positif jika jarak yang digunakan adalah jarak resiprokal). c) Jarak ke sarana pendidikan terdekat mempunyai hubungan negatif terhadap nilai tanah, yang bermakna bahwa semakin jauh lokasi obyek dari sarana pendidikan terdekat akan semakin rendah nilai tanahnya dan sebaliknya (positif jika jarak yang digunakan adalah jarak resiprokal). d) Jarak ke jalan utama terdekat mempunyai hubungan negatif terhadap nilai tanah, yang bermakna bahwa semakin jauh lokasi obyek dari jalan utama terdekat akan semakin rendah nilai tanahnya dan sebaliknya (positif jika jarak yang digunakan adalah jarak resiprokal). e) Lebar sisi depan bidang tanah mempunyai hubungan positif terhadap nilai tanah, yang bermakna bahwa semakin lebar sisi depan suatu bidang tanah akan semakin tinggi nilai tanahnya dan sebaliknya. f) Lebar jalan di depan bidang tanah mempunyai hubungan positif terhadap nilai tanah, yang bermakna bahwa semakin lebar jalan di depan suatu bidang tanah akan semakin tinggi nilai tanahnya dan sebaliknya. g) Luas bidang tanah mempunyai hubungan positif terhadap nilai tanah, yang bermakna bahwa semakin luas suatu bidang tanah akan semakin tinggi nilai tanahnya dan sebaliknya. Hasil uji a priori ekonomi dapat dilihat pada Tabel III-6 berikut: Tabel III-6 Uji a priori Ekonomi No Variabel Eksogen Aditif (x) Aditif (1/x) Multiplikatif Multiplikatif (x) (1/x) 1 ITC Kebon Kalapa 17,697* 2 Pasar Kota Kembang 59,041* 3 SMK Pasundan 1 27,297* -38,483,425* 4 SDS YAY Dewi Sartika -37,171 2,665,698,598 5 JL Moh Toha 2,163* 6 SMP Negeri 43-67, ,412, SDS Bina Talenta 744,595,547 8 Universitas Langlangbuana -655,702,870* 0.944* * 55
22 9 JL BKR 44,696, JL Pungkur 44,616, JL Moh Ramdan 26,265, Yogya Toserba -4,463,988,409* 13 JL Ibu Inggrit Garnasih 30,815, SMA Pasundan 1 2,080,654, JL Asia Afrika -2,315,840,332* 16 JL Dewi Sartika 91,913, SD Mochammad Toha 2,3,4-302,002,587* No Variabel Eksogen dan Endogen Aditif (x) Aditif (1/x) Multiplikatif (x) Multiplikatif (1/x) 1 Puskesmas Pasirluyu -1,053 2 Lebar Jalan 310, , King Shopping Centre 8,898* 4 Puskesmas Pasundan 17,169* 5 SMP Negeri 43-26, ,303,058 6 SDS YAY Dewi Sartika 1,556,484, JL BKR 38,148, Yogya Toserba -1,436,466,410* 9 Universitas Langlangbuana -343,493,326* 0.658* * 2. Uji t Uji ini digunakan untuk mengetahui apakah koefisien regresi secara individu berpengaruh terhadap variabel terikat. Pengujian ini dilakukan terhadap hasil regresi tahap kedua dimana semua variabel bebas sebelumnya telah lolos uji a priori ekonomi. Pengujian ini dilakukan dengan membandingkan antara nilai t-hitung dengan t-tabel. Jika t-hitung lebih besar daripada t-tabel maka dikatakan signifikan (lolos uji) dan sebaliknya (Gujarati, 2003) Untuk melakukan pengujian t statistik, maka dilakukan regresi tahap selanjutnya dimana hanya melibatkan variabel bebas yang telah lolos pengujian a priori ekonomi sebelumnya.hasil uji t dapat dilihat pada Tabel III-7 yang merupakan nilai t-hitung masing-masing variable model hasil regresi. Tabel III-7Nilai t-hitung variabel model pada α=0,05 No Variabel Eksogen Aditif (x) Aditif (1/x) Multiplikatif (x) Multiplikatif 56
23 (1/x) t tabel = t tabel = t tabel = t tabel = SDS YAY Dewi Sartika SMP Negeri * SDS Bina Talenta JL BKR JL Pungkur JL Moh Ramdan 1.565* 1.534* * 7 JL Ibu Inggrit Garnasih SMA Pasundan * 9 JL Dewi Sartika 1.551* No Variabel Eksogen dan Multiplikatif Aditif (x) Aditif (1/x) Endogen Multiplikatif (x) (1/x) t tabel = t tabel = t tabel = t tabel = Puskesmas Pasirluyu Lebar Jalan SMP Negeri * SDS YAY Dewi Sartika JL BKR * 1.491* 3. Uji-F Uji ini digunakan untuk mengetahui pengaruh variabel bebas yang digunakan dalam model secara bersama-sama terhadap variabel terikat (nilai tanah). Uji ini dilakukan dengan membandingkan nilai F-hitung dengan nilai F-tabel. Uji ini menggunakan uji dua sisis, dengan derajat kebebasan (degree of freedom) df 1 = k-1 dan df 2 = (n-k), dimana k adalah jumlah variabel independent dan dependent dan n adalah jumlah sampel. Jika nilai F-hitung> nilai F-tabel maka H 0 ditolak (semua variabel bebas bukan merupakan penjelas yang signifikan terhadapa variabel terikat), dan menerima Ha yaitu semua variabel bebas secara simultan merupakan penjelas yang signifikan terhadap variabel terikat (Gujarati, 2003). Untuk melakukan pengujian F statistik, maka dilakukan regresi tahap selanjutnya dengan hanya melibatkan variabel yang lolos uji sebelumnya. Hasil uji-f dapat dilihat pada Tabel III-8 berikut: 57
24 Tabel III-8 Hasil Uji-F (tes dua sisi pada α=0,05) No Variabel Eksogen df1 df2 F tabel F hitung 1 Aditif (x) Aditif (1/x) Multiplikatif (x) Multiplikatif (1/x) No Variabel Ekdogen dan Endogen df1 df2 F tabel F hitung 1 Aditif (x) Aditif (1/x) Multiplikatif (x) Multiplikatif (1/x) Uji Multikolinieritas Uji ini digunakan untuk mengetahui adanya hubungan linier diantara variabel-variabel bebas dalam model regresi yaitu ditunjukkan dengan adanya derajat kolinieritas yang tinggi di antara variabel-variabel bebas. Dengan kata lain merupakan keadaan dimana satu atau lebih variabel bebas dapat dinyatakan sebagai kombinasi dari variabel bebas lainnya. Salah satu cara untuk mendeteksi masalah multikolinieritas yaitu dengan melihat nilai VIF (Variance Inflation Factor) dari variabel bebas. Jika nilai VIF < 10 maka hasil tersebut mengundikasikan bahwa tidak terdapat gejala multikolinieritas yang serius (berderajat rendah). Untuk melakukan pengujian multikolinieritas, maka dilakukan regresi tahap berikutnya dimana hanya melibatkan variabel beas yang telah lolos pengujian sebelumnya. Nilai VIF variabel pada masing-masing model dapat dilihat pada Tabel III-9 berikut: Tabel III-9 Nilai VIF Masing-Masing Variabel No Variabel Eksogen Aditif Aditif Multiplikatif Multiplikatif (x) (1/x) (x) (1/x) 1 SDS YAY Dewi Sartika SMP Negeri SDS Bina Talenta
25 4 JL BKR No Variabel Eksogen dan Aditif Aditif Multiplikatif Multiplikatif Endogen (x) (1/x) (x) (1/x) 1 Puskesmas Pasirluyu Lebar Jalan SMP Negeri SDS YAY Dewi Sartika JL BKR Uji heteroskedastisitas Heteroskedastisitas adalah suatu keadaan adanya varian yang tidak konstan dari variabel pengganggu. Dalam penelitian ini fenomena heteroskedastisitas dilakukan dengan Uji Glejser, yaitu dengan meregresikan variabel-variabel bebas terhadap nilai absolut residualnya(gujarati, 2003). Setelah itu dilihat angka signifikansi variabel tersebut. Jika lebih besar dari nilai α yang digunakan maka variabel tersebut bebas dari heteroskedastisitas. Berdasarkan pengujian heteroskedastisitas diperoleh hasil pengujian seperti terlihat pada Tabel III-10 yang merupakan nilai signifikansi masing-masing variabel terhadap model. Tabel III-10 Nilai Signifikanasi Masing-masing Variabel Terhadap Model No Variabel Eksogen Aditif (x) Aditif (1/x) 1 SDS YAY Dewi Sartika.000*.243 Multiplikatif (x) Multiplikatif (1/x) 2 SMP Negeri SDS Bina Talenta JL BKR Variabel Eksogen dan Aditif No Endogen (x) 1 Puskesmas Pasirluyu.000* Aditif (1/x) Multiplikatif (x) Multiplikatif (1/x) 2 Lebar Jalan.003* SMP Negeri SDS YAY Dewi Sartika JL BKR 0.07 e. Pemilihan model regresi 59
26 Setelah malalui berbagai pengujian model maka didapatkan model akhir yang telah memenuhi aturan-aturan pembentukan model. Pemilihan model regresi dilakukan didasarkan nilai koefisien determinansi (R 2 ) dari model yang tersisa yang ditunjukkan pada Tabel IV-11 berikut: Tabel III-11Nilai Koefisien Determinansi Masing-masing Model Regresi No Variabel Eksogen R 2 Std Error 1 Aditif (1/x) Multiplikatif (x) Multiplikatif (1/x) No Variabel Ekdogen dan Endogen R 2 Std Error 1 Aditif (1/x) Multiplikatif (x) Multiplikatif (1/x) f. Validasi model ditujukan untuk mengetahui seberapa akurat model terpilih untuk memprediksi nilai tanah di wilayah penelitian. Validasi dilakukan dengan menerapkan model terhadap data testing. Hasil validasi model dapat dilihat pada Tabel III-12 berikut: Tabel III-12 Hasil Validasi Model Regresi No Uraian Data Validasi Batasan 1 PRD 1,41 0,98 < x < 1,03 2 COD 36,6 x 20% Pengolahan Data Menggunakan Metode Jaringan Syaraf Tiruan Pengolahan data menggunakan metode JST dibagi dalam 2 (dua) tahap yaitu tahap pembentukan model dan tahap validasi model. Tahap pengolahan data metode JST dapat dilihat pada Gambar III-11 berikut: 60
27 Gambar III-14 Tahap Pengolahan Data Metode Jaringan Syaraf Tiruan Pemodelan dengan menggunakan metode regresi terdiri dari beberapa tahap di bawah ini: a. Normalisasi Data (Preprocessing) Proses Training pada JST akan lebih efisien dan efektif apabila data-data yang masuk berada pada suatu range tertentu. Menyajikan data mentah secara langsung pada JST akan membuat neuron mengalami saturasi dan gagal melakukan training. Oleh karena itu, data input harus melalui proses normalisasi terlebih dahulu sehingga berada pada range yang sama dengan fungsi aktivasinya, yaitu antara 0 sampai 1. Proses normalisasi dilakukan dengan menggunakan Persamaan II-17 b. Seleksi Variabel 61
28 Tahapan seleksi variabeldimaksudkan untuk mendapatkan variabel-variabel yang mempengaruhi nilai tanah secara signifikan, untuk digunakan dalam pemodelan.di dalam JST dikenal suatu algoritma dalam penyeleksian variabel yang disebut dengan Input Variabel Selection Method (IVS).Algoritma IVS diklasifikasikan dalam tiga kelas utama yaitu wrapper, embedded danfilter(may, Dandy, & Maier, 2011). Dalam penelitian ini algoritma IVS yang digunakan adalah wrapper. Gambar III-15 Wrapper Algoritma wrapper adalah yang pertama dari 3 kelas dasar dalam algoritma penyeleksian variabel input untuk JST. Wrapper adalah metode IVS yang paling sederhana untuk diformulasikan. Efisiensi dari metode wrapper bergantung pada kemampuan model dalam merepresentasikan hubungan antar data, salah satu teknik yang banyak digunakan dalam metode wrapper adalah Single Variable Regression (SVR). Pendekatan SVR adalah dengan cara mengkonstruksi model JST menggunakan masing-masing variabel kandidat dan kemudian diurutkan berdasarkan performansi dan kekuatan modelnya. Kekuatan model disini direpresentasikan dalam nilai koefisien determinansi (R 2 ). Variabel yang dapat menghasilkan model JST dengan koefisien determinansi lebih dari 50% terpilih sebagai variabel input untuk model utama JST. Hasil seleksi variabel dapat dilihat pada Tabel III-13 berikut: Tabel III-13 Hasil Analisis Determinansi Variabel dengan Jarak Asli No Kode Variabel R 2 Pusat Perdagangan 1 CBD1 ITC Kebon Kalapa CBD2 Yogya Toserba 0.678* 3 CBD3 King Shopping Centre 0.665* 62
29 4 CBD4 Plaza Parahyangan 0.591* 5 CBD5 Palaguna Plaza 0.503* 6 CBD6 Alun Alun 0.578* 7 CBD7 Pasar Kota Kembang 0.780* Fasilitas Kesehatan 8 K1 Rumah Sakit Sartika Asih 0.651* 9 K2 Klinik Bali Pengobatan YPPKK 0.666* 10 K3 Puskesmas Pasirluyu 0.601* 11 K4 Puskesmas Mohammad Ramdan 0.530* 12 K5 Klinik Aviati 0.718* 13 K6 Puskesmas Pasundan 0.567* Sarana Pendidikan 14 P1 SD Mengger Girang 1, * 15 P2 SMA 11 Maret 0.617* 16 P3 SD BBK Priangan 3, * 17 P4 SMA Negeri Tabel III-13 (Lanjutan) Sarana Pendidikan 18 P5 SDN Pasir Jaya 0.748* 19 P6 SDS Bina Talenta P7 SMA Muhammadiyah * 21 P8 SDS, SMAK Kalam Kudus P9 SD Ciateul 0.566* 23 P10 Universitas Langlangbuana 0.519* 24 P11 SD Mochammad Toha 2,3, P12 SDS Yos Sudarso P13 SDS, SMP, SMA Rehoboth 0.605* 63
30 27 P14 SMP Negeri P15 SMP Negeri P16 SMEA Pasundan 0.505* 30 P17 SMK Pasundan P18 SDS YAY Dewi Sartika 0.753* 32 P19 SDS Assalam 1, * 33 P20 SMP Negeri * 34 P21 SMA Pasundan * 35 P22 SD Kotabaru Jalan 36 J1 JL Soekarno Hatta 0.692* 37 J2 JL Asia Afrika 0.51* 38 J3 JL Moh Ramdan 0.638* 39 J4 JL Moh Toha J5 JL Otista 0.669* 41 J6 JL BKR 0.577* 42 J7 JL Pungkur J8 JL Dewi Sartika 0.65* 44 J9 JL Kepatihan 0.621* 45 J10 JL Ibu Inggrit Garnasih J11 JL Dalem Kaum J12 JL Balonggede Endogen 49 LD Lebar Depan LJ Lebar Jalan LU Luas 0.511* c. Pembentukan Model 1. Perancangan Arsitektur Jaringan Model JST yang digunakan pada penelitian ini menggunakan jenis Multi Layer Perceptron (MLP). Jaringan terdiri dari lapisan masukan dengan jumlah node sesuai dengan banyaknya variabel. Dua lapisan tersembunyi dan sebuah lapisan keluaran dengan 1 (satu) node. Lapisan keluaran pada jaringan syaraf tiruan hanya mempunyai satu node. Nilai node tersebut merupakan prediksi nilai tanah model jaringan syaraf tiruan. 2. Perancangan Sistem PelatihanJST. 64
31 Untuk mendapatkan struktur JST yang paling optimal dilakukan beberapa tahap pengujian yaitu: a) Uji pengaruh learning rate, mse goal, dan momentum. Pengujian ini bertujuan untuk mendapatkan nilai faktor pembelajaran yang paling optimal untuk pembentukan model nilai tanah. Pengujian dilakukan dengan beberapa variasi nilai learning rate, mse goal, dan momentumdan menganggap parameter yang lain konstan. Dari pengujian didapatkan hasil sesuai Tabel III-14 hingga Tabel III-16 berikut: Tabel III-14 Hasil Pengujian Learning Rate Learning rate (η) Waktu pembelajaran (ms) Tabel III-15 Hasil Pengujian Mse Goal Mse goal (λ) Waktu pembelajaran (ms) Tabel III-16 Hasil Pengujian Momentum Momentum (ε) Waktu pembelajaran (ms)
32 Dalam sistem ini digunakan Learning rate0.2, mse goal dan momentum 0.6 b) Uji pengaruh jumlah neuron pada hidden layer Pengujian ini bertujuan untuk mendapatkan jumlah neuron pada hidden layeryang paling optimal untuk pemodelan nilai tanah. Untuk mendapatkan jumlah neuron pada lapisan tersembunyi yang paling optimal dilihat dari koefisien determinansipengujian jaringan pada data testing dan waktu prosesnya. Hasil pengujian pengaruh jumlah neuron pada hidden layer ditunjukkan pada Tabel III-17berikut: Tabel III-17 Hasil Pengujian Pengaruh Jumlah Neuron Pada Hidden Layer Hidden layer 1 Hidden Layer 2 R 2 Testing Waktu (ms) Pada sistem JST dalam penelitian ini jumlah neuronyang ditentukan untuk menempati hidden layer adalah 10 neuron pada hidden layer pertama dan 5 neuron pada hidden layer kedua. Uji Pengaruh fungsi aktivasi Pengujian ini bertujuan mendapatkan fungsi aktivsi yang paling optimal dalam pembentukan model. Hasil dari pengujian ini ditunjukkan pada Tabel III-18 berikut: Tabel III-18 Hasil Pengujian Fungsi Aktivasi Fungsi aktivasi: input-hidden 1-hidden 2-output R 2 Testing Sigmoid bipolar-sigmoid biner-identitas Sigmoid biner-sigmoid bipolar-identitas Sigmoid bipolar-sigmoid bipolar-identitas
33 Sigmoid biner-sigmoid biner-identitas Fungsi aktivasi yang digunakan adalah fungsi sigmoid bipolar dari lapisan masukan ke lapisan tersembunyi pertama, fungsi sigmoid biner dari lapisan tersembunyi pertama ke lapisan tersembunyi kedua, dan fungsi identitas dari lapisan tersembunyi kedua ke lapisan keluaran. c) Nilai bobot (weight) dan bias JST belajar dengan cara meng-update bobot. Bobot yang tersimpan dari proses training akan digunakan untuk melakukan proses testing. Pada awal proses training akan dilakukan inisialisasi nilai bobot jaringan termasuk juga nilai bobot bias untuk hidden layer danoutputlayer dengan nilai yang kecil. Pada sistem JST dalam penelitian ini nilai bobot jaringan termasuk nilai bobot untuk bias ditentukan secara acak antara 0 (nol) sampai 1 (satu). d) Iterasi maksimum Iterasi maksimum merupakan salah satu syarat kondisi pelatihan jaringan berhenti selain toleransi error. Nilai iterasi ini nantinya akan dibandingkan dengan proses perulangan selam sistem melakukan proses training, jika toleransi error belum memenuhi juga selama beberapa waktu, maka sistem akan berhenti jika perulangan dilakukan melebihi iterasi maksimum. Pada pelatihan ini digunakan iterasi maksimum sebesar Penerapan Sistem Pelatihan JST Secara garis besar penerapan sistem pelatihan JST dalam program komputer terdapat dua tahap komputasi yaitu: a) Tahap Belajar Pada tahap ini proses dimulai dengan memasukkan pola-pola belajar ke dalam jaringan. Dengan mengguanakan pola-pola ini jaringan akan mengubah-ubah bobot yang menjadi penghubung antara node. Satu periode dimana seluruh pola belajar telah diproses disebut 1 (satu) iterasi. Pada setiap 1 iterasi dilakukan evaluasi terhadap keluaran jaringan. Tahap ini berlangsung pada beberapa iterasi dan berhenti setelah jaringan menemukan bobot yang sesuai dimana suatu keadaan yang diinginkan telah terpenuhi. Selanjutnya bobot ini menjadi dasar pengetahuan pada 67
34 tahap pengenalan. Pada tahap ini digunakan data yang digunakan adalah data training. b) Tahap Pengenalan Pada tahap ini dilakukan pengenalan terhadap suatu pola masukan dengan menggunakan bobot hasil tahap belajar. Tahap pengenalan dilakuakan dengan menerapkan model terhadap data testing. Akurasi model JST hasil tahap pengenalan dapat dilihat pada Tabel III-19 berikut: Tabel III-19 Akurasi Model JST Uraian Nilai R 2 Model RMSe Model R 2 Uji RMSe uji R 2 semua data RMSe total d. Denormalisasi Data (Postprocessing) Nilai output yang dihasilkan oleh jaringan berkisar antara 0 (nol) sampai dengan 1 (satu) akibat dari proses normalisasi yang dilakukan sebelumnya, sehingga perlu dilakukan proses denormalisasi atau postprocessing yang berguna untuk mengkonversikan kembali hasil output jaringan menjadi nilai tanah normal.denormalisasi data dilakukan dengan menggunakan Persamaan III-18. e. Validasi Model Validasi model ditujukan untuk mengetahui seberapa akurat model terpilih untuk memprediksi nilai tanah di wilayah penelitian. Validasi dilakukan dengan menerapkan model terhadap data testing. Hasil validasi model dapat dilihat pada Tabel III-20 berikut: Tabel III-20 Validasi Model JST Uraian Data Validasi Batasan PRD ,98 < x < 1,03 COD 35.2 x 20% 68
BAB IV ANALISIS. Tabel IV-1 Jumlah Sampel Tiap Kelurahan
BAB IV ANALISIS 4.1 Analisis Data Nilai Tanah Nilai tanah bersumber dari data Kantor Pertanahan Kota Bandung yang merupakan data penawaran dan data transaksi. Sebaran data nilai tanah per kelurahan dapat
Lebih terperinciCreated with Print2PDF. To remove this line, buy a license at:
52 Bab IV Analisis Penelitian Dalam bab ini dilakukan pembahasan atas hasil-hasil yang diperoleh didalam penelitian. IV.1 Analisis data Dari hasil pengumpulan data diperoleh data-data antara lain ( hasil
Lebih terperinciFAKULTAS ILMU DAN TEKNOLOGI KEBUMIAN
PERBANDINGAN APLIKASI METODE REGRESI LINIER BERGANDA DAN JARINGAN SYARAF TIRUAN DALAM PEMBUATAN PETA ZONA NILAI TANAH (StudiKasus: KecamatanRegol, Kota Bandung) TUGAS AKHIR Karyailmiah yang diajukansebagaisalahsatusyaratmemperolehgelarsarjana
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Harga tanah adalah penilaian atas nilai tanah yang diukur berdasarkan harga nominal dalam satuan uang untuk satu satuan luas tertentu pada pasaran lahan. Harga tanah
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 terperinciCreated with Print2PDF. To remove this line, buy a license at:
Bab III Pelaksanaan Penelitian III. Kerangka Pikir Pemodelan Nilai Tanah Dalam penelitian ini dilakukan penilaian tanah menggunakan metode regresi dan JST. Metode JST ditujukan untuk memperbaiki metode
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
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 menggambarkan desain penelitian peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode Jaringan Syaraf Tiruan Backpropagation.
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 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 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 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 terperinciGambar 3.1 Desain Penelitian
METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Permalan Time Series, Harga Minyak Bumi, Jaringan Syaraf Tiruan, Backpropagation Pengumpulan Data Harga Minyak Bumi di Indonesia Perancangan
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 terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih 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 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 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 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 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 terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
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 terperinciCreated with Print2PDF. To remove this line, buy a license at:
1 Bab I Pendahuluan I.1 Latar Belakang Penerimaan Pajak Bumi dan bangunan (PBB) sangat penting peranannya bagi pembangunan daerah, tetapi harus disadari bahwa pengadministrasian PBB masih merupakan masalah
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 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 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 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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciBAB III METODOLOGI PENELITIAN
38 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Peramalan, Curah Hujan, Knowledge Discovery in Database, Jaringan Saraf Tiruan, Backpropagation, Optimalisasasi Backpropagation Pengumpulan
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 terperinciBAB 4 ANALISA DAN BAHASAN
BAB 4 ANALISA DAN BAHASAN 4.1 Spesifikasi Sistem Sistem pengenalan objek 3 dimensi terbagi atas perangkat keras dan perangkat lunak. Spesifikasi sistem baik perangkat keras maupun lunak pada proses perancangan
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih 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 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 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terdahulu Penelitian mengenai pemodelan nilai tanah otomatis telah banyak dilakukan oleh peneliti-peneliti sebelumnya dengan menggunakan berbagai variabel nilai tanah
Lebih terperinciIV. METODOLOGI PENELITIAN. Penelitian ini dilakukan di Kecamatan Tanjungpinang Timur,
IV. METODOLOGI PENELITIAN 4.1 Tempat dan Waktu Penelitian Penelitian ini dilakukan di Kecamatan Tanjungpinang Timur, Tanjungpinang, Kepulauan Riau. Pemilihan lokasi dilakukan secara sengaja (purposive)
Lebih terperinciMETODOLOGI PENELITIAN
digilib.uns.ac.id BAB III METODOLOGI PENELITIAN 3.1 Studi Literatur Studi ini dilakukan dengan cara mencari dan membaca berbagai literatur serta karya-karya penelitian mengenai topik penelitian yang sudah
Lebih 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 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 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 terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
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 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 terperinciBAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar
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 terperinciIII. METODOLOGI PENELITIAN. dan verifikatif. Metode deskriptif adalah studi untuk menentukan fakta dengan
28 III. METODOLOGI PENELITIAN 3.1. Desain Penelitian Metode yang digunakan dalam penelitian ini adalah penelitian analisis deskriptif dan verifikatif. Metode deskriptif adalah studi untuk menentukan fakta
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di
BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di Laboratorium Pemodelan Fisika, Jurusan Fisika, Fakultas Matematika dan Ilmu
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
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 terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciBAB 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 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 terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Perceptron 2. ADALINE 3. MADALINE 2 Perceptron Perceptron lebih powerful dari Hebb Pembelajaran perceptron mampu menemukan konvergensi terhadap bobot yang
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 terperinciMETODOLOGI PENELITIAN
22 III. METODOLOGI PENELITIAN 3.1 Kerangka Pemikiran Penelitian Bank merupakan lembaga keuangan yang memiliki fungsi sebagai penghimpun dana dari masyarakat dan menyalurkannya kembali dalam bentuk kredit
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciBAB III METODE PENELITIAN. September). Data yang dikumpulkan berupa data jasa pelayanan pelabuhan, yaitu
BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan dalam penelitian ini berasal dari data sekunder dengan jenis data bulanan mulai tahun 2004 sampai dengan tahun 2011 (bulan September).
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 terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Parameter Gauss Untuk dapat melakukan pengolahan data menggunakan ANN, maka terlebih dahulu harus diketahui nilai set data input-output yang akan digunakan. Set data inputnya yaitu
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 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 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 terperinciBAB 3 METODOLOGI PENELITIAN. Obyek dari penelitian yang akan diteliti dalam penelitian ini adalah besarnya
BAB 3 METODOLOGI PENELITIAN 3.1 Obyek Penelitian Obyek dari penelitian yang akan diteliti dalam penelitian ini adalah besarnya yield to maturity (YTM) dari obligasi negara seri fixed rate tenor 10 tahun
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
Lebih terperinciBAB III APLIKASI METODE GWR
BAB III APLIKASI METODE GWR Dalam penelitian ini dilakukan penilaian tanah pada studi kasus yaitu wilayah Kecamatan Lengkong, Kota Bandung. Posisi Kecamatan Lengkong di Kota Bandung dapat dilihat pada
Lebih terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciBAB 2 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 terperinciHASIL DAN PEMBAHASAN. Tabel 3 Contoh data Shorea hasil kodefikasi
8 disajikan contoh data Shorea hasil kodefikasi dari beberapa karakter yang bernilai nominal. Tabel 2 Karakter daun yang bernilai nominal Karakter Nilai Kode Bentuk tulang Tidak menempel 1 daun Permukaan
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 terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pasar valuta asing telah mengalami perkembangan yang tak terduga selama beberapa dekade terakhir, dunia bergerak ke konsep "desa global" dan telah menjadi salah satu pasar
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka berpikir Perubahan nilai tukar rupiah terhadap mata uang asing tidak dapat dihindari. Untuk mengatasi perubahan yang tidak pasti ini diperlukan suatu prediksi.
Lebih 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 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 terperinciIV. METODE PENELITIAN. Penelitian dilakukan di Desa Tugu Utara dan Kelurahan Cisarua,
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian dilakukan di Desa Tugu Utara dan Kelurahan Cisarua, Kecamatan Cisarua, Kabupaten Bogor, Provinsi Jawa Barat. Pemilihan lokasi dilakukan
Lebih terperinciBAB III METODE PENELITIAN. metode analisis data serta pengujian hipotesis.
BAB III METODE PENELITIAN Pada bab 3 ini akan dijelaskan mengenai metode penelitian yang meliputi populasi dan sampel penelitian, data dan sumber data, variabel operasional, metode analisis data serta
Lebih terperinciDAFTAR ISI. Halaman Judul. Lembar Pengesahan Pembimbing. Lembar Pengesahan Penguji. Halaman Persembahan. Halaman Motto. Kata Pengantar.
DAFTAR ISI Halaman Judul i Lembar Pengesahan Pembimbing ii Lembar Pengesahan Penguji iii Halaman Persembahan iv Halaman Motto v Kata Pengantar vi Abstraksi viii Daftar Isi ix Daftar Gambar xii Daftar Tabel
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih 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 IV ANALISIS DAN PEMBAHASAN. meliputi analisis kuantitatif yang berupa analisis regresi berganda serta
BAB IV ANALISIS DAN PEMBAHASAN A. Deskripsi Objek penelitian Bagian ini berisi tentang hasil penelitian dan pembahasan yang meliputi analisis kuantitatif yang berupa analisis regresi berganda serta dilakukan
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 terperinciBAB III METODOLOGI PENELITIAN. menganalisis data, penulis menggunakan alat bantu komputer seperti paket
49 BAB III METODOLOGI PENELITIAN A. Jenis Penelitian Penelitian yang dilakukan penulis adalah penelitian kuantitatif dengan menggunakan metode regresi linier berganda sebagai alat analisis data. Dalam
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Bank adalah lembaga keuangan yang merupakan penggerak utama dalam pertumbuhan perekonomian masyarakat Indonesia. Sebagai lembaga Intermediasi, bank memiliki
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Analisis merupakan proses penguraian konsep ke dalam bagian-bagian yang lebih sederhana, sehingga struktur logisnya menjadi jelas. Metode untuk menguji, menilai, dan
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 terperinciIII. METODE PENELITIAN. Jenis data yang digunakan dalam penelitian ini adalah data sekunder yaitu
III. METODE PENELITIAN A. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yaitu berkaitan dengan data yang waktu dikumpulkannya bukan (tidak harus) untuk memenuhi
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 terperinciBAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.
33 BAB 4 DISAIN MODEL Disain model sistem identifikasi citra karang dirancang sedemikian rupa dengan tuuan untuk memudahkan dalam pengolahan data dan pembuatan aplikasi serta memudahkan pengguna dalam
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 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 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 terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Analisis Hasil Setelah melalui beberapa tahap kegiatan penelitian, dalam bab IV ini diuraikan analisis hasil penelitian dan pembahasan hasil penelitian. Analisis
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Objek Penelitian Objek penelitian adalah daerah tempat akan diadakannya penelitian yang mendukung dalam penulisan penelitian itu sendiri. Dalam hal ini yang akan dijadikan
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
Lebih terperinci