BAB 2 LANDASAN TEORI
|
|
- Sudirman Hardja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Simple Evolving Connectionist System (SECoS) untuk memprediksi harga saham syariah di Indonesia. 2.1 Saham Syariah Saham syariah merupakan surat berharga yang merepresentasikan penyertaan modal kedalam suatu perusahaan yang tidak melanggar prinsip-prinsip syariah, seperti bidang perjudian, riba, produksi barang yang diharamkan seperti bir, dan lain-lain (Darmadji & Fakhruddin, 2006). Menurut syariah, kegiatan pembiayaan dan investasi keuangan pada prinsipnya adalah kegiatan yang dilakukan oleh investor terhadap emiten (pemilik usaha) untuk memberdayakan emiten dalam melakukan kegiatan usahanya investor berharap untuk memperoleh untuk manfaat tertentu. Oleh karena itu, kegiatan pembiayaan dan investasi tersebut adalah termasuk kegiatan dari investor secara pasif sehingga prinsip syariah pada kegiatan tersebut sama dengan pada kegiatan usaha yang lainnya yaitu prinsip kehalalan dan keadilan. Prinsip tersebut adalah sebagai berikut (Sutedi, 2011) : 1. Pembiayaan dan investasi hanya dapat dilakukan pada aset atau kegiatan usaha yang halal, dimana kegiatan usaha tersebut bermannfaat dan spesifik sehingga dapat dilakukan bagi hasil atas manfaat yang ada. 2. Pembiayaan dan investasi harus pada mata uang yang sama dengan pembukuan kegiatan usaha karena uang adalah alat bantu pertukaran nilai dan hasil yang diperoleh oleh investor. 3. Aqad yang terjadi antara pemilik harta (investor) dengan pemilik usaha (emiten), dan tindakan maupun informasi yang diberikan oleh emiten serta mekanisme pasar tidak boleh menimbulkan kondisi keraguan yang dapat menyebabkan kerugian.
2 6 4. Investor dan emiten tidak boleh mengambil resiko yang melebihi kemampuan yang dapat menimbulkan kerugian yang sebenarnya dapat dihindari. 5. Investor, emiten maupun bursa dan self regulating organization lainnya tidak boleh melakukan hal-hal yang menyebabkan gangguan yang disengaja atas mekanisme pasar, baik dari segi penawaran maupun dari segi permintaan. Dari penjelasan diatas dapat terlihat bahwa prinsip-prinsip syariah telah meliputi dari semua prinsip yang ada. Namun, prinsip-prinsip syariah juga memberikan penekanan (emphasis) pada (Sutedi, 2011): 1. Kehalalan produk atau jasa dari kegiatan usaha, karena menurut prinsip syariah manusia hanya boleh memperoleh keuntungan atau penambahan harta dari hal-hal yang baik. 2. Kegiatan usaha yang spesifik dengan manfaat yang jelas sehingga tidak ada keraguan akan hasil usaha yang akan menjadi objek dalam perhitungan keuntungan yang diperoleh. 3. Mekanisme bagi hasil yang baik dan adil dalam untung maupun rugi menurut penyertaan masing-masing pihak. 4. Penekanan pada mekanisme pasar yang wajar dan prinsip kehati-hatian baik pada emiten maupun investor. Instrumen yang diharamkan dalam pasar modal syariah sebagai berikut (Sutedi, 2011), yaitu : 1. Preferred Stock (saham istimewa) Saham istimewa adalah saham yang memberikan hak lebih besar daripada saham biasa dalam dividen pada waktu perseroan dilikuidasi.
3 7 2. Forward Contract Forward Contract merupakan bentuk jual beli hutang (debt to debt) yang didalamnya terdapat unsur riba, sedangkan transaksinya dilakukan sebelum tanggal jatuh tempo. 3. Option Option merupakan transaksi yang tidak disertai dengan underlying asset atau real asset, atau dengan kata lain objek yang ditransaksikan tidak dimiliki oleh penjual. Namun, transaksi option yang merupakan representasi dari nilai intangible asset, maka dianggap sebagai real asset dan dapat dibenarkan menurut syariah. 2.2 Analisis Harga Saham dan Resiko Investasi Analisis harga saham adalah suatu proses memprediksi harga suatu saham. Ada dua pendekatan dasar dalam menganalisis atau memilih saham yang tepat yaitu analisis fundamental dan analisis teknikal (Hani, 2014). Analisis fundamental merupakan salah satu cara untuk melakukan penilaian terhadap saham dengan mempelajari, atau mengamati berbagai indikator yang ada yaitu kondisi makro ekonomi dan kondisi industri suatu perusahaan termasuk berbagai indikator keuangan dan manajemen perusahaan. Oleh karena itu, analisis fundamental merupakan analisis berdasar pada berbagai data riil untuk mengevaluasi nilai suatu saham. Beberapa data atau indikator yang sering digunakan adalah margin laba (profit margin), pendapatan, pengembalian atas ekuitas (return on equity), laba, pertumbuhan penjualan, dan data-data keuanganlainnya sebagai sarana untuk menilai kinerja perusahaan dan potensi pertumbuhan perusahaan dimasa yang akan datang (Darmadji & Fakhruddin, 2006). Analisis teknikal digunakan untuk mencari pola harga saham yang berulang dan dapat diidentifikasi (Hani, 2014). Untuk mencari pola tersebut maka dibutuhkan grafik untuk membentuk suatu pola yang berulang. Pola inilah yang dimanfaatkan untuk memprediksi gerakan harga saham dimasa yang akan datang. Data yang digunakan untuk membuat grafik tersebut adalah data harga yaitu harga pembukaan, penutupan, tertinggi, dan terendah dan volume perdagangan saham. Dalam analisis teknikal, dikenal empat jenis grafik yang memiliki keistimewaan penggunaannya dan
4 8 indikator yang diberikan yaitu grafik baris (line chart), grafik bar (bar chart), candlestick chart, dan point and figure chart (Widoatmodjo, 2009). Baik analisis fundamental maupun analisis teknikal dapat dikombinasikan dengan menggunakan metode-metode lainnya seperti metode perataan bergerak (moving average) dan metode pemulusan eksponensial (exponential smoothing), algoritma genetik, metode hybrid, jaringan saraf tiruan, dan fuzzy agar menghasilkan prediksi harga saham yang lebih akurat dan tepat (Hani, 2014). Setiap keputusan investasi selalu menyangkut 2 hal yaitu resiko dan return. Resiko memiliki hubungan positif dengan return yang diharapkan dari investasi, sehingga jika return yang diharapkan besar maka resiko yang akan ditanggung oleh investor juga semakin besar dan begitu juga sebaliknya (Huda & Edwin, 2007). Dalam analisis tradisional, resiko total dari berbagai aset keuangan berasal dari interest rate risk, market risk, inflation risk, business risk, financial risk, liquidity risk, exchange rate risk, dan country risk. Berbeda dengan analisis tradisional, analisis investasi modern membagi resiko total menjadi 2 bagian yaitu resiko sistematik dan resiko tidak sistematik (Huda & Edwin, 2007). Resiko sistematik atau lebih populer dikenal dengan resiko pasar adalah resiko yang dampaknya dirasakan oleh seluruh instrumen investasi yang sangat berpengaruh terhadap pasar seperti inflasi, kenaikan suku bunga, resesi ekonomi, perpajakan, harga BBM, dan lain sebagainya. Sedangkan resiko tidak sistematik atau sering disebut resiko unik adalah resiko yang dampaknya hanya dirasakan oleh perusahaan tertentu, misalnya pemogokan kerja pada perusahaan tekstil maka dampaknya hanya akan berpengaruh terhadap harga saham perusahaanperusahaan tekstil lainnya (Widioatmodjo, 2009). 2.3 Peramalan (Forecasting) Peramalan adalah kegiatan mengestimasi apa yang akan terjadi dimasa yang akan datang. Metode peramalan merupakan cara untuk memperkirakan apa yang akan terjadi dimasa depan secara pragmatis dan sistematis dengan menggunakan data yang relevan pada masa lalu, sehingga dengan metode peramalan yang diharapkan dapat memberikan objektivitas yang besar (Sandino, 2013). Peramalan tersebut bertujuan untuk mengatasi ketidakpastian sehingga diperoleh suatu perkiraan yang mendekati keadaan sebenarnya (Rizki, 2014).
5 9 Berdasarkan sifatnya, peramalan dibagi menjadi dua jenis yaitu peramalan kualitatif dan permalan kuantitatif. Peramalan kualitatif adalah permalan yang berdasarkan pada pendapat suatu pihak atau hasil penelitian questioner yang telah dilakukan sebelumnya dan datanya tidak dapat direpresentasikan secara jelas kedalam angka atau nilai. Hasil peramalan yang dibuat sangat bergantung pada orang yang membuatnya, hal tersebut sangat menentukan hasil peramalan karena berdasarkan intuisi, pendapat, dan pengetahuan serta pengalaman penyusunnya. Peramalan kuantitatif adalah peramalan yang berdasarkan data kuantitatif dimasa lalu dan dapat dibuat dalam bentuk angka (Jumingan, 2009) Peramalan Data Runtun Waktu (Time Series) Model data time series adalah peramalan secara kuantitatif dengan menggunakan waktu sebagai dasar peramalan. Model time series dikenal dengan model kuantitatif intrinsik. Tujuan peramalan tersebut adalah menemukan pola dalam deret data historis dan menterjemahkan pola tersebut kedalam deret data ke pola data masa depan (Heizer & Render, 2005). Metode time series adalah metode yang digunakan untuk menganalisis data yang merupakan fungsi dari waktu (Ishak, 2010). Terdapat beberapa kecendrungan pada jenis pola data runtun waktu (Hartanto, 2012), yaitu sebagai berikut: 1. Pola Data Horizontal Pola data horizontal terjadi apabila nilai data berfluktuasi di sekitar nilai ratarata yang konstan. Deret tersebut seperti stationer terhadap nilai rata-ratanya. Y X Gambar 2.1 Pola Data Horizontal
6 10 2. Pola Data Musiman Pola ini terjadi jika suatu deret dipengaruhi oleh musiman (misalnya kuartal tahun tertentu, bulanan, mingguan, atau pada hari-hari tertentu). Y X Gambar 2.2 Pola Data Musiman 3. Pola Data Siklis Pola data siklis terjadi jika datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang yang berhubungan dengan siklus bisnis. Penjualan produk seperti mobil, baja, dan peralatan lainnya menunjukkan jenis pola data ini. Y X Gambar 2.3 Pola Data Siklis 4. Pola Data Tren Pola ini terjadi apabila terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. Data penjualan suatu perusahaan, produk bruto nasional (GNP), dan berbagai indikator bisnis atau ekonomi lainnya mengikuti suatu pola data tren selama perubahannya sepanjang waktu.
7 11 Y X Gambar 2.4 Pola Data Tren 2.4 Evolving Connectionist System (ECoS) Beberapa metode dalam komputasi cerdas yang berhasil dikembangkan seperti jaringan saraf tiruan (JST), sistem fuzzy, evolutionary computation, hybrid system, adaptive machine learning, masih terdapat beberapa masalah ketika menerapkan metode tersebut pada perkembangan proses yang kompleks (Kasabov, 2007). Hal tersebut antara lain : 1. Sulit dalam menentukan arsitektur sistem. Komputasi cerdas biasanya memiliki model arsitektur yang tetap, seperti jumlah neuron dan koneksi yang tetap. Hal ini membuat sistem kesulitan dalam beradaptasi terhadap data yangbaru dengan distribusi yang tidak diketahui. Arsitektur yang tetap tentu akan mencegah JST akan mode proses pembelajaran yang terus-menerus. 2. Catastrophic forgetting yaitu memungkinkan suatu sistem untuk melupakan sebagian besar dari pengetahuan terdahulu ketika sedang melakukan pembelajaran terhadap data baru. 3. Banyaknya waktu pelatihan yang diperlukan. Pelatihan JST dalam batch mode biasanya memerlukan banyak iterasi dari propagasi data melalui strukturnya. Hal ini mungkin tidak bisa diterima untuk pembelajaran online yang membutuhkan proses adaptasi yang cepat. 4. Kurangnya fasilitas dalam merepresentasikan pengetahuan. Banyak arsitektur dari komputasi cerdas yang dapat mengambil beberapa parameter statistik selama pelatihan, akan tetapi hal tersebut tidak memfasilitasi ekstraksi dari aturan-aturan yang ada ke dalam bentuk informasi linguistik yang dapat dimengerti.
8 12 Dalam pengertian umum, sistem informasi seharusnya membantu dalam melakukan dan memahami dinamika proses yang dimodelkan, aturan-aturan dalam sistem yang otomatis terus berkembang, pengetahuan yang memperoleh esensi dari proses-proses tersebut, mempermudah dalam penyelesaian masalah yang kompleks, dan meningkatkan kinerja proses yang terus menerus berkembang sepanjang waktu. Kebutuhan akan hal-hal tersebut termasuk dalam bagian kecerdasan buatan yang mana disebut Evolving Intelligence System (EIS). Penekanan disini bukan pada pencapaian akhir dari kecerdasan buatan tersebut tapi untuk menciptakan sistem yang memiliki kemampuan belajar terus-menerus berdasarkan pengetahuan yang masuk dan terus berkembang, meningkatkan kinerja sistem, mengembangkan representasi pengetahuan pada masalah yang ditangani, dan menjadikan sistem lebih cerdas. EIS merupakan sebuah sistem informasi yang dapat mengembangkan struktur, fungsionalitas, dan pengetahuannya secara mandiri dengan terus-menerus, selforganized, adaptive, dan interaktif terhadap informasi yang masuk serta melakukan tugas-tugas cerdas yang dapat dilakukan manusia pada umumnya (Kasabov, 2007). Evolving Connectionist System (ECoS) adalah salah satu bentuk dari EIS. ECoS adalah sebuah metode pembelajaran yang adaptif, bertahap dan sistem representasi pengetahuan yang mengembangkan struktur dan fungsinya, dimana inti dari sistem tersebut adalah arsitektur connectionist yang terdiri dari neuron (unit pengolah informasi) dan hubungan antar-neuron. ECoS juga merupakan sistem komputasi cerdas yang berdasarkan neural networks, tetapi menggunakan teknik lain dari komputasi cerdas yang beroperasi secara terus-menerus dan mengadaptasikan struktur dan fungsinya melalui interaksi lanjutan terhadap lingkungan dan dengan sistem lainnya (Kasabov, 2007). Proses adaptasi tersebut dapat didefinisikan melalui : 1. Sekumpulan aturan yang diatur untuk dapat terus berkembang. 2. Satu set parameter yang dapat berubah selama sistem beroperasi. 3. Sebuah aliran input informasi yang datang secara terus menerus yang mungkin terjadi pada distribusi data yang tidak menentu. 4. Kriteria goal atau tujuan yang ditetapkan untuk mengoptimalkan kinerja sistem dari waktu ke waktu.
9 13 Hal diatas dapat dilihat pada gambar Gambar 2.5 Arsitektur ECoS (Kasabov, 2007) Sistem EIS, dan ECOS terdiri dari empat bagian utama yaitu sebagai beikut : 1. Data masukan 2. Preprocessing dan evaluasi fitur 3. Pemodelan 4. Pengetahuan masukan Gambar 2.6 Proses interaksi ECoS (Kasabov, 2007)
10 14 pada gambar diatas, mereka memproses berbagai jenis informasi yang berbeda-beda secara adaptif dan berkelanjutan, dan berkomunikasi dengan user secara cerdas yang menyediakan pengetahuan (rules). Data diperoleh dari sumber-sumber yang berbeda seperti DNA, brain signals, data ekonomi-sosial dan ekologis, dan sumber lainnya. Jika interaksi antara manusia dan sistem dapat diperoleh melalui cara ini maka hal tersebut dapat juga digunakan untuk memperluas interaksi antarsistem dengan baik Prinsip Umum ECoS ECoS adalah struktur multi-level, multi-modular, dimana banyak modul yang memiliki inter-connections, dan intra-connections. Evolving connectionist system tidak memiliki struktur multi-layer yang kosong. ECoS memiliki sebuah struktur modular terbuka (Watts and Kasabov, 2000). Fungsi ECoS berdasarkan pada prinsipprinsip umum berikut, yaitu : 1. ECoS belajar dengan cepat dari jumlah data yang besar melalui pembelajaran one-pass. 2. ECoS beradaptasi di online mode dimana data baru diakomodasi secara bertahap. 3. ECoS menghapalkan setiap data yang ada untuk perbaikan lebih lanjut atau untuk pencarian informasi. 4. ECoS belajar dan memperbaiki melalui interaksi yang aktif dengan sistemsistem yang lainnya dan di lingkungan multi-modular, mode hirarkis. 2.5 Simple Evolving Connectionist System (SECoS) Simple Evolving Connectionist System (SECoS), adalah implementasi minimalis dari prinsip ECoS. Metode simple evolving MLP disebut juga emlp (evolving Multi Layer Perceptron). SECoS terdiri dari tiga layer neuron. Layer pertama adalah input layer dengan linear atau fungsi transfer yang lain. Layer kedua, hidden layer adalah layer yang berkembang (evolving layer). Dan layer neuron yang ketiga adalah output layer. SECoS adalah versi sederhana dari Evolving Fuzzy Neural Network (EFuNN). Evolving layer adalah layer yang berkembang dan beradaptasi sendiri menuju incoming data, dan layer yang lebih difokuskan pembelajaran algoritma. Arti dari
11 15 incoming connections, aktivasi, dan algoritma propagasi maju dari seluruh evolving layer berbeda dari sistem connectionist classical (Kasabov, 2007). Gambar 2.7 Arsitektur SECoS (Kasabov, 2007) Jika fungsi aktivasi linear digunakan, maka aktivasi A pada lapisan evolving node n ditentukan dengan: Dimana A n merupakan nilai aktivasi pada node n dan D n merupakan nilai normalized distance antara input vector dengan incoming weight vector pada node tersebut. Nilai distance D n dapat dihitung dengan menggunakan normalized Hamming distance: Dimana K merupakan jumlah input nodes pada SECoS, I merupakan input vector, dan W merupakan input weight matrix pada evolving layer.
12 Algoritma Simple Evolving Connectionist System Berikut ini merupakan algoritma simple evolving connectionist system (Kasabov, 2007) : 1. Lakukan propagasi input vector I ke dalam jaringan. 2. Jika aktivasi maksimum (A max ) dari node lebih kecil dari koefisien sensitivity threshold (S thr ), maka: a. Tambah node baru else: a. Hitung nilai error antara hasil prediksi (output vector O c ) dan nilai aktual (output vector O d ). b. Jika nilai error lebih besar dari koefisien error threshold (E trh ) atau output node yang diinginkan tidak aktif, maka: Tambahkan node baru else: Lakukan perubahan bobot koneksi pada winning hidden node. 3. Ulangi langkah tersebut untuk setiap input vector. Ketika sebuah node ditambahkan, bobot input diberi inisialisasi sesuai dengan input vector I dan bobot output diinisialisasi sesuai dengan output vector O d. Proses propagasi dari hidden layer ke output layer dapat dilakukan dengan dua cara. Cara pertama dengan metode propagasi One-of-N yaitu propagasi hanya dilakukan oleh hidden node dengan nilai aktivasi tertinggi. Cara kedua dilakukan dengan metode propagasi Many-of-N yaitu propagasi hanya dilakukan oleh hidden node yang memiliki nilai aktivasi diatas activation threshold (Watt & Kasabov, 2000). Modifikasi bobot masuk pada winning node j dilakukan sesuai persamaan (2.3): WW ii,jj (tt + 1) = WW ii,jj (tt) + ηη 1 II ii WW ii,jj (tt) (2.3) dimana: WW ii,jj (tt) merupakan bobot masuk ii, jj pada saat (tt). WW ii,jj (tt + 1) merupakan bobot masuk ii, jj pada saat (tt + 1).
13 17 ηη 1 merupakanlearning rate 1. II ii merupakan komponen ke-i pada input vector I. Sedangkan modifikasi bobot keluar dari node j dilakukan sesuai persamaan (2.4): WW jj,pp (tt + 1) = WW jj,pp (tt) + ηη 2 AA jj EE pp (2.4) dimana: WW jj,pp (tt) merupakan bobot keluar jj, pp pada saat (tt) WW jj,pp (tt + 1) merupakan bobot masuk jj, pp pada saat (tt + 1) ηη 2 merupakan learning rate 2 AA jj merupakan nilai aktivasi dari node 2.6 Penelitian Terdahulu Adapun beberapa penelitian terdahulu yang berkaitan dengan topik ini dapat dilihat pada Tabel 2.1. Tabel 2.1 Penelitian Sebelumnya No Judul Pengarang Tahun Kelebihan Kekurangan 1. Simple Watts & 2000 Hasil dari penelitian n/a Evolving Kasabov tersebut adalah Connectionist perbandingan SECoS Systems and dengan MLPs yang dilatih Experiments dengan Bootstrapped On Isolated Backpropagation Phoneme menunjukkan bahwa Recognition ketika jumlah node SECoS lebih besar dari MLPs, mereka lebih adaptif, mampu mempertahankan kemampuan diskriminatif mereka bahkan setelah pelatihan lebih lanjut pada contoh yang baru.
14 18 Tabel 2.1 Penelitian Sebelumnya (Lanjutan) No Judul Pengarang Tahun Kelebihan Kekurangan 2. Adaptive Ghobakhlou 2003 Percobaan dilakukan n/a Speech et al dengan SECoS untuk Recognition with Evolving pengenalan kata untuk mengetahui kinerja dari Connectionist algoritma pembelajaran System lokal SECoS. Hasilnya menunjukkan bahwa SECoS mampu mempelajari data dari pembicara baru dan menambah kelas output yang baru. SECoS juga mampu mempertahankan pengetahuan yang dipelajari sebelumnya setelah adaptasi pembicara yang baru dan seetelah mempelajari kelas-kelas yang baru. 3. Comparison of a Self Organising Map and Simple Evolving Connectionist System for Predicting Insect Pest Establishment Watts Worner & 2006 Kinerja rata-rata SECos atas pembelajaran data set dengan MSE dengan standar deviasi 4.2 x Kedua model menghasilkan daftar peringkat spesies dan keduanya memberikan kumpulan cluster yang sama pada peringkat tertinggi. Kedua metode yang digunakan untuk penilaian resiko hama memiliki nilai karena setiap metode tersebut menegaskan output dari penambahan weight lainnya untuk penilaian secara keseluruhan untuk spesies tertentu. n/a
15 19 Tabel 2.1 Penelitian Sebelumnya (Lanjutan) No Judul Pengarang Tahun Kelebihan Kekurangan 4. Prediksi Harga Setiawan 2008 Konfigurasi parameter n/a Saham untuk pelatihan sistem Menggunakan prediksi menggunakan Jaringan Syaraf Jaringan Syaraf Tiruan Tiruan terbaik yang diperoleh dari Multilayer hasil percobaan Feedforward Network Dengan menghasilkan konfigurasi jumlah hidden node 50, nilai learning rate 0.95, Algoritma batas tahun pelatihan Backpropaga- adalah tahun 1998, nilai tion momentum 0.95 dan toleransi MAPE 3.97%. 5. Prediksi Harga Saham Syariah menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS) Hani 2014 Pada penelitian ini, data saham syariah yang digunakan adalah data Jakarta Islamic Index (JII) dari tanggal 1 Januari 2004 s.d. 31 Desember 2012 yang diperoleh dari com/bei/. Dari hasil pengujian tersebut diperoleh parameter laju penbelajaran 0.6, momentum 0.1, max epoch 400 dan kriteria penghentian mendapatkan hasil error rata-rata sebesar %. n/a
IMPLEMENTASI 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
Lebih terperinciBAB I PENDAHULUAN. 1.2 Latar Belakang Penelitian
BAB I PENDAHULUAN 1.1 Gambaran Objek Penelitian Saham adalah surat berharga yang merupakan tanda kepemilikan seseorang atau badan terhadap suatu perusahaan. Pemegang saham merupakan pemlik sebenarnya dari
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 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 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 terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Investasi merupakan suatu rangkaian tindakan menanamkan sejumlah dana dengan tujuan mendapatkan nilai tambah berupa keuntungan dimasa yang akan datang. Dalam perkembangannya
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 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 terperinciPREDIKSI INDEKS PASAR SAHAM S&P500, DOW JONES DAN NASDAQ COMPOSITE DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION
PREDIKSI INDEKS PASAR SAHAM S&P500, DOW JONES DAN NASDAQ COMPOSITE DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION Feni Andriani 1, Ilmiyati Sari 2 1 Universitas Gunadarma, feni.andriani@staff.gunadarma.ac.id
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini akan membahas tentang teori-teori pendukung dan penelitian sebelumnya yang berhubungan dengan prediksi produksi kelapa sawit dan penerapan jaringan saraf Radial Basis Function
Lebih terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Data runtun waktu dari fenomena real seperti data finansial biasanya bersifat nonstasioner. Tipe data runtun waktu finansial biasanya dicirikan oleh pola-pola seperti
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kebutuhan akan prediksi semakin meningkat pada era globalisasi saat ini sejalan dengan keinginan masyarakat khususnya pelaku bisnis untuk memberikan tanggapan
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih 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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR Sofi Dwi Purwanto Teknik Informatika Universitas Islam Negeri Maulana Malik
Lebih terperinciPENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto
PENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto Teknik Informatika, Univesitas Dian Nuswantoro ABSTRACT: Peramalan saham merupakan
Lebih 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 terperinciBAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN Titik Misriati AMIK BSI Jakarta Jl. R.S Fatmawati No. 24 Pondok Labu, Jakarta Selatan titik.tmi@bsi.ac.id ABSTRACT
Lebih terperinciBAB I PENDAHULUAN. Pada saat ini peran pasar modal dalam perekonomian Indonesia mulai
BAB I PENDAHULUAN 1.1 Latar Belakang Pada saat ini peran pasar modal dalam perekonomian Indonesia mulai melembaga. Pembelian saham menjadi salah satu pilihan modal yang sah, selain bentuk modal lainnya
Lebih terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
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 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 terperinciPemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat
Pemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat SKRIPSI Disusun oleh: MAULIDA NAJWA 24010212130028 DEPARTEMEN STATISTIKA
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian terdahulu yang berhubungan dengan penerapan metode Weighted Evolving Fuzzy Neural Network (WEFuNN) untuk prediksi harga sepeda
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 terperinciJURNAL TEKNIK ITS Vol. 5, No. 2, (2016) ISSN: ( Print)
A347 Pembangunan Aplikasi Berbasis Web Untuk Peramalan Harga Saham Dengan Metode Moving Average, Exponential Smoothing, Dan Artificial Neural Network Ruben A. Siregar, Edwin Riksakomara S.Kom., M.T. Jurusan
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih 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 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 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 terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Perkembangan produk sepeda motor di Indonesia semakin pesat dari waktu ke waktu. Setiap perusahaan sepeda motor berusaha menghasilkan produk yang berkualitas tinggi,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Peramalan Peramalan (forecasting) merupakan upaya memperkirakan apa yang terjadi pada masa yang akan datang. Pada hakekatnya peramalan hanya merupakan suatu perkiraan (guess),
Lebih terperinciBAB I PENDAHULUAN. yang merupakan keuntungan perusahaan yang dibagikan kepada semua pemegang
BAB I PENDAHULUAN 1.1 Latar Belakang Ekspektasi atau motivasi setiap investor adalah mendapatkan keuntungan dari transaksi investasi yang dilakukan. Para investor yang bertransaksi di pasar modal, khususnya
Lebih terperinciBAB 1 PENDAHULUAN. 1 Universitas Kristen Maranatha. Gambar 1.1 : Ilustrasi jaringan syaraf manusia yang diadaptasi untuk ANN (Kriesel, 2011)
BAB 1 PENDAHULUAN 1.1 Latar Belakang Rentannya kesalahan yang dapat terjadi oleh pekerjaan yang dilakukan oleh manusia dalam menganalisa, atau ketika mencoba membangun relasi antar fitur yang berjumlah
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode backpropagation untuk prediksi trend forex euro terhadap dollar Amerika.
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Persaingan dalam dunia bisnis, terlebih lagi bagi perusahaan besar, tidak lepas dari adanya proses jual beli saham. Saham secara umum merupakan surat berharga yang dapat
Lebih terperinciBAB I PENDAHULUAN. finansial (financial assets) dan investasi pada aset-aset riil (real assets). Investasi pada
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Investasi pada hakikatnya merupakan komitmen terhadap sejumlah sumber daya pada saat ini dengan tujuan untuk mendapatkan keuntungan di masa depan (Abdul halim,
Lebih terperinciPeramalan Data IHSG Menggunakan Metode Backpropagation
Peramalan Data IHSG Menggunakan Metode Backpropagation Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang, Indonesia hansun@umn.ac.id Diterima 31 Agustus 2012 Disetujui
Lebih terperinciBAB 1 PENDAHULUAN. datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk
BAB 1 PENDAHULUAN 1.1. Latar Belakang Peramalan adalah menduga atau memperkirakan suatu keadaan di masa yang akan datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk menetapkan kapan
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciPELATIHAN 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Teknologi dan perkembangan ilmu pengetahuan dewasa ini sudah mengalami perkembangan pesat. Seiring berjalannya waktu, perkembangan ini menyebabkan timbulnya kebutuhan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Peramalan ialah memperkirakan apa yang akan terjadi masa datang (Armstrong, 2001). Peramalan merupakan alat bantu yang penting dalam suatu perencanaan. Peramalan
Lebih terperinciPenggunaan Model ELFIS dan Sistem Neuro Fuzzy Untuk Memprediksi Pasar Saham
Penggunaan Model ELFIS dan Sistem Neuro Fuzzy Untuk Memprediksi Pasar Saham Alexander Sukono - 13513023 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung,
Lebih terperinciBAB II TINJAUAN PUSTAKA
20 BAB II TINJAUAN PUSTAKA II.1. Dasar Teori Penelitian mengenai peramalan harga saham terbagi dalam dua kelompok penelitian yaitu penelitian mengenai Index Harga Saham Gabungan (IHSG) dan penelitian harga
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 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam sistem perdagangan internasional, setiap negara mempunyai mata uangnya masing-masing sebagai alat tukar atau alat pembayaran yang sah, dalam melakukan pembayaran
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 terperinciBAB 2 TINJAUAN TEORITIS
BAB 2 TINJAUAN TEORITIS 2.1. Peramalan 2.1.1. Pengertian dan Kegunaan Peramalan Peramalan (forecasting) menurut Sofjan Assauri (1984) adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
Lebih terperinciBAB 2 TINJAUAN TEORITIS. yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan terjadi
BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN Pasar modal memiliki peran penting bagi perekonomian suatu negara karena pasar modal menjalankan tiga fungsi, yaitu pertama sebagai tempat berinteraksi pembeli
Lebih terperinci1. Pendahuluan 1.1 Latar belakang masalah
1. Pendahuluan 1.1 Latar belakang masalah Emas adalah unsur kimia dalam tabel periodik yang memiliki simbol Au (bahasa Latin: 'aurum') dan nomor atom 79. Emas digunakan sebagai standar keuangan di banyak
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Berbicara tentang kegiatan pasar modal saat ini tidak terlepas dari apa yang disebut sebagai indeks harga saham. Untuk mengetahui bagaimana kegiatan ekonomi
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Artificial Neural Network Artificial neural network (ANN) / jaringan saraf tiruan adalah konsep yang merefleksikan cara kerja dari jaringan saraf biologi kedalam bentuk artificial
Lebih terperinciBAB 1 PENDAHULUAN. saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Cepatnya perubahan fluktuasi harga index saham membuat para pemegang saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung. Saham yang mempunyai
Lebih terperinciPenentuan Error Dalam Peramalan Jumlah Korban Demam Berdarah Dengue Menggunakan Metode Neural Network (Kasus : Rumah Sakit Charitas Palembang)
Penentuan Error Dalam Peramalan Jumlah Korban Demam Berdarah Dengue Menggunakan Metode Neural Network (Kasus : Rumah Sakit Charitas Palembang) Maria Bellaniar Ismiati 1, Latius Hermawan 2 Program Studi
Lebih terperinciUniversitas Sumatera Utara
BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode weighted evolving fuzzy neural network untuk prediksi curah hujan. 2.1 Prediksi
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 terperinciAPLIKASI DIGITAL MAPPING UNIVERSITAS TRUNOJOYO MADURA
APLIKASI DIGITAL MAPPING UNIVERSITAS TRUNOJOYO MADURA Eka Mala Sari Rochman 1), Aeri Rachmad 2),Evodius Arizona Haryanto 3) Teknik Multimedia dan Jaringan, Fakultas Teknik Universitas Trunojoyo Madura
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Sedangkan
Lebih terperinciPERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA
PERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA Budho Setyonugroho 1), Adhistya Erna Permanasari 2), Sri Suning Kusumawardani
Lebih terperinciPREDIKSI DATA RUNTUN WAKTU MENGGUNAKAN JARINGAN SYARAF TIRUAN
PREDIKSI DATA RUNTUN WAKTU MENGGUNAKAN JARINGAN SYARAF TIRUAN TIME SERIES DATA PREDICTION USING ARTIFICIAL NEURAL NETWORKS Agung Mubyarto Prodi Teknik Elektro, Universitas Jenderal Soedirman Jl. Kampus
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 terperinciSISTEM CERDAS PENDUKUNG KEPUTUSAN PREDIKSI NILAI TUKAR VALUTA ASING MENGGUNAKAN JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA TUGAS AKHIR
SISTEM CERDAS PENDUKUNG KEPUTUSAN PREDIKSI NILAI TUKAR VALUTA ASING MENGGUNAKAN JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA TUGAS AKHIR Untuk Memenuhi Sebagian Persyaratan Mencapai Derajat Sarjana S-1
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 terperinci2014 ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di negara yang memiliki jumlah populasi penduduknya besar dan perkembangan industrinya mengalami peningkatan, tentunya memiliki tingkat kebutuhan akan sumber
Lebih terperinciBAB I PENDAHULUAN. perdagangan saham secara maksimal (Wang et al, 2009). semakin berkembang. Dengan memanfaatkan model model peramalan dari
BAB I PENDAHULUAN 1.1 Latar Belakang Peramalan indeks harga saham merupakan sebuah peramalan deret waktu yang cukup sulit dilakukan (Kara et al, 2011). Banyak faktor yang mempengaruhi pergerakan harga
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (Artificial Neural Network) Intelligent Systems Pembahasan Jaringan McCulloch-Pitts Jaringan Hebb Perceptron Jaringan McCulloch-Pitts Model JST Pertama Diperkenalkan oleh McCulloch
Lebih terperinciANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM)
ANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM) Hanura Ian Pratowo¹, Retno Novi Dayawati², Agung Toto Wibowo³ ¹Teknik Informatika,,
Lebih 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 terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kabupaten Purworejo adalah daerah agraris karena sebagian besar penggunaan lahannya adalah pertanian. Dalam struktur perekonomian daerah, potensi daya dukung
Lebih terperinciBAB I PENDAHULUAN. diatur di dalam otak sebagai pengendali utama tubuh manusia. Otak manusia
BAB I PENDAHULUAN A. Latar Belakang Manusia telah diciptakaan oleh Tuhan dalam bentuk kesempurnaan. Salah satu ciptaan yang menakjubkan adalah otak manusia dimana semua kecerdasaan diatur di dalam otak
Lebih terperinciWAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 2, November 2007, 53 64 WAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES Daryono Budi Utomo Jurusan Matematika FMIPA Institut Teknologi
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN Bab ini akan membahas tentang latar belakang, rumusan masalah, keaslian penelitian, tujuan penelitian, manfaat penelitian, batasan masalah, dan sistematika penulisan. 1.1 Latar Belakang
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 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 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 terperinci2.1. Dasar Teori Bandwidth Regression
2.1. Dasar Teori 2.1.1. Bandwidth Bandwidth adalah ukuran kapasitas dari sistem transmisi (Comer, 2004) Bandwidth adalah konsep pengukuran yang sangat penting dalam jaringan, tetapi konsep ini memiliki
Lebih terperinciPREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) Supriyanto 1, Sudjono 2, Desty Rakhmawati 3 ( 1,2. UNSOED Purwokerto, 3. STMIK
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perusahaan adalah suatu organisasi yang didirikan oleh seseorang atau sekelompok orang atau badan lain yang kegiatannya adalah melakukan produksi dan distribusi guna
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 terperinciKenyo Puspito Rini 1), Ir. Usman Effendi, MS. 2), Dhita Morita Ikasari, STP, MP. 2)
PERAMALAN PERMINTAAN MINUMAN KESEHATAN INSTAN JAHE MENGGUNAKAN JARINGAN SYARAF TIRUAN dan METODE TIME SERIES (Studi Kasus di Agroindustri Minuman Kesehatan Instan DIA Malang) Kenyo Puspito Rini 1), Ir.
Lebih terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih terperinciBAB I PENDAHULUAN. bahwa sering terjadi ketidak-akuratan hasil peramalan, tetapi mengapa peramalan
BAB I PENDAHULUAN 1.1 Latar Belakang Peramalan adalah salah satu input penting bagi para manajer dalam proses pengambilan keputusan investasi. Dalam proses peramalan dapat disadari bahwa sering terjadi
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB 1 PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Sejak dahulu, manusia selalu mencari cara untuk dapat meningkatkan taraf hidupnya. Salah satu cara sederhana yang biasanya dilakukan manusia adalah
Lebih terperinci