Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
|
|
- Sudomo Yuwono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 2, No. 8, Agustus 218, hlm Peramalan Siaga Banjir dengan Menganalisis Data Curah Hujan (ARR) dan Tinggi Muka Air (AWLR) Menggunakan Metode Support Vector Regression (Studi Kasus: Perum Jasa Tirta I) Laila Diana Khulyati 1, Muhammad Tanzil Furqon 2, Bayu Rahayudi 3 Program Studi Teknik Informatika, 1 lailaadk@gmail.com, 2 m.tanzil.furqon@ub.ac.id, 3 ubay1@ub.ac.id Abstrak Banjir merupakan bencana alam yang menjadi permasalahan umum dan sulit diprediksi kapan terjadinya. Penyebab banjir sejauh ini yaitu adanya proses kenaikan curah hujan dan tinggi muka air di Daerah Aliran Sungai, sehingga perlu adanya penelitian untuk melakukan monitoring terhadap siaga banjir. Dari hal tersebut, diperlukan sistem yang dapat melakukan peramalan untuk memudahkan dalam menganalisa status siaga banjir di masa mendatang. Untuk dapat meramalkan hasil di masa mendatang, terdapat metode yang penggunaannya didasari ketersediaan data mentah, serta dengan teknik analisis statistik yang dinamakan metode regresi. Metode regresi yang digunakan dalam penelitian ini yaitu Support Vector Regression. Metode SVR sering digunakan dalam peramalan, namun tidak banyak yang menggunakan data curah hujan dan tinggi muka air secara bersamaan. Penelitian ini memiliki tujuan untuk melakukan peramalan siaga banjir di Stasiun Kambing pada DAS Brantas. Hasil dari pengujian menunjukkan peramalan siaga banjir pada bulan Desember 216, pada data tinggi muka air (AWLR) didapatkan nilai error rate terkecil sebesar dan data curah hujan (ARR) didapatkan nilai error rate terkecil sebesar Dengan nilai parameter yang digunakan yaitu ε =.9, λ =.5, σ =.2, C =.8 dan clr =.8. Kedua data tersebut menghasilkan peramalan siaga banjir berupa Siaga Normal. Kata kunci: banjir, curah hujan, tinggi muka air, peramalan, siaga, SVR Abstract Flood is a natural disaster that used to be general cause and hard to predict when it will happened. So far, the cause of flood is there s process when rainfall and waterlevel is rise, so there s required some research to do a monitoring on flood alert. From that point, system is required to be able to forecast and make it easier to analyze flood alert status in a future. To forecast a future results, there is a method that based on the availability of raw data, also with statistical analysis technique called regression method. Regression method that used in this research is Support Vector Regression. This SVR method is frequently used in forecasting, but not many of them use rainfall and waterlevel data in a same time. The purpose of this research is to do flood alert forecasting in Kambing Station DAS Brantas. The results represent flood alert forecasting at December 216, with waterlevel data resulted minimal value of in error rate and rainfall data resulted minimal value of in error rate. By using values of parameters ε =.9, λ =.5, σ =.2, C =.8 and clr =.8. Both data resulted flood alert forecasting that shows Normal. Keywords: flood, rainfall, waterlevel, forecasting, alert, SVR 1. PENDAHULUAN Salah satu jenis bencana alam yang menjadi permasalahan umum di masyarakat sekitar dan sulit diprediksi kapan kejadiannya adalah bencana banjir. Banjir merupakan salah satu bencana alam yang berpengaruh paling luas dan menyebabkan kerugian yang besar (Ma, 21). Penyebab banjir sejauh ini yaitu adanya proses yang berhubungan dengan tingkat curah hujan dan tinggi permukaan air. Perum Jasa Tirta I adalah sebuah Badan Usaha Milik Negara (BUMN) yang ditugasi untuk menyelenggarakan pemanfaatan umum atas air Fakultas Ilmu Komputer Universitas Brawijaya 259
2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 251 dan sumber-sumber air yang bermutu dan memadai bagi pemenuhan hajat hidup orang banyak, serta melaksanakan tugas-tugas tertentu yang diberikan Pemerintah dalam pengelolaan wilayah daerah aliran sungai (DAS). Salah satu unsur yang berkaitan dengan pelayanan sosial, kesejahteraan dan keselamatan umum yang dilakukan oleh Perum Jasa Tirta I adalah unsur pengendalian banjir. Objek yang digunakan dalam penelitian ini adalah Curah Hujan (ARR) dan Tinggi Muka Air (AWLR). Kenaikan curah hujan dan muka air di Daerah Aliran Sungai menyebabkan adanya banjir, sehingga perlu adanya penelitian untuk melakukan monitoring terhadap siaga banjir pada Daerah Aliran Sungai. Dari hal tersebut, dibutuhkan solusi yang rasional melihat dari sisi teknologi sehingga diharapkan dapat menyelesaikan permasalahan ini. Dalam menganalisis data curah hujan dan tinggi muka air dapat dilakukan peramalan untuk memudahkan dalam menganalisa status siaga banjir di masa yang akan datang. Metode dan periode peramalan bisa beragam tergantung pada waktu dan informasi yang digunakan di masa lalu yang mana metode prediksi yang teratur akan memberikan keyakinan pada penggunanya karena dapat dievaluasi secara ilmiah (Syafruddin, 24). Jangka waktu yang dapat digunakan untuk menganalisis curah hujan dan tinggi muka air dibedakan menjadi tahunan, bulanan, mingguan, dan harian, berdasarkan tingkat curah hujan dan tinggi muka air dengan cakupan tinggi dan rendah di tiap hitungan jamnya. Untuk dapat meramalkan hasil di masa yang akan datang, terdapat metode yang penggunaannya didasari ketersediaan data mentah, serta dengan teknik analisis statistik untuk menggambarkan hubungan antara satu variabel respon dengan satu atau lebih variabel penjelas yang dinamakan metode regresi. Support Vector Regression adalah metode yang mengumpulkan solusi optimal dengan iterasi sangat cepat dibandingkan dengan SVM dan sangat sederhana untuk diimplementasikan bahkan untuk masalah dengan ukuran data yang besar. (Vijayakumar & Wu, 1999) 2. DASAR TEORI 2.1 Peramalan (Forecasting) Peramalan (forecasting) adalah proses untuk memperkirakan beberapa kebutuhan di masa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa (Nasution, 23). Dalam pengambilan keputusan manajemen, peramalan yang akurat sangat dibutuhkan. Dengan berkembangnya industri, peramalan membantu keputusan panduan manajemen dalam manajemen persediaan, permintaan, manajemen tenaga, dan perencanaan produksi serta perencanaan strategis mengenai produk. Definisi lain tentang Peramalan (forecasting) adalah ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan pengambilan data historis dari sebuah variabel dan memproyeksikan ke masa mendatang dengan suatu bentuk model matematis (kuantitatif) atau bisa juga merupakan prediksi intuisi yang bersifat subjektif (kualitatif). 2.2 Banjir Banjir adalah proses alam yang biasa dan merupakan bagian penting dari mekanisme pembentukan dataran di Bumi. Melalui banjir muatan sedimen terus masuk ke laut dan mengendap di dasar laut. Banjir yang terjadi sangat ditentukan oleh curah hujan. Terdapat tiga hal yang mempengaruhi banjir yaitu, air, udara, dan bumi. Air mengalir dari atas ke bawah, apabila air ditampung di suatu tempat dan tempat itu penuh dan ternyata air terus menerus masuk maka air akan meluap. Karena manusia dapat mempengaruhi debit aliran permukaan dan dapat mempelajari karakter aliran sungai, maka dapat dikatakan bahwa manusia dapat berkaitan dengan hal banjir ini. (Ratmaniar, 213). Penyebab utama yang sangat mempengaruhi terjadinya banjir adalah curah hujan. Jika turun hujan lebat dan lama, maka air tidak dapat segera masuk ke dalam tempatnya secara lancar, tergantung penampungan dan drainase di lokasi tersebut. Sehingga terjadilah banyak antrian air yang panjang dan tinggi muka air yang semakin naik dan mengakibatkan genangan yang besar dan terjadilah banjir. 2.3 ARR dan AWLR Dalam penelitian yang telah dilakukan oleh Setyawan yang membahas tentang sistem pemantau kondisi hidrologi, dalam hal ini peralatan pemantau debit dan tinggi muka air atau disebut AWLR (waterlevel) serta peralatan pemantau curah hujan atau disebut ARR
3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2511 (rainfall) mulai dioperasikan di wilayah kerja Perum Jasa Tirta, khususnya di DAS Kali Brantas, sejak tahun 1991 dengan rincian sebanyak 11 AWLR di bendungan; 1 AWLR di sungai; dan sebanyak 24 ARR di bendungan. Di tahun 1993 dilakukan penambahan 2 ARR dan 1 AWLR di bendungan sehingga total peralatan AWLR dan ARR yang terpasang yaitu 12 AWLR di waduk dan bendungan; 1 AWLR di sungai dan 26 ARR di bendungan. Dengan terpasangnya sistem telemetri tersebut, diharapkan mampu memberikan informasi dini, khususnya untuk kegiatan pengendalian banjir (Setyawan, 212). Keberadaan peralatan pemantau kondisi hidrologi yang telah terpasang tersebut, baik AWLR maupun ARR, dianggap masih belum mampu meng-cover lokasi dikarenakan luas area yang memang cukup besar, sehingga pada lokasi-lokasi tertentu masih sering terjadi hujan lebat dan banjir yang tidak dapat terpantau/tercatat oleh peralatan AWLR dan ARR yang telah terpasang tersebut. 2.4 Metode Kernel Metode kernel dapat diterapkan dalam SVR karena metode kernel fleksibel untuk mengatasi non-linear (Scholkopf et al., 22). Fungsi kernel adalah untuk memetakan data input ke ruang dimensi yang lebih tinggi dengan harapan dalam ruang yang lebih tinggi, dimensi data dapat lebih terstruktur (Tonde, 214). Banyak penelitian sebelumnya berpendapat bahwa SVR akan memberikan kinerja yang baik dengan menggunakan fungsi kernel Gaussian RBF (Li, et al., 25). Kernel yang paling sering digunakan adalah Kernel Gaussian Radial Basic Function (RBF). RBF memiliki kinerja terbaik saat dibandingkan dengan fungsi kernel yang lain. Kernel RBF dapat dijabarkan melalui Persamaan (1) K(x, x i ) = exp ( x x i 2 2σ 2 ) (1) 2.5 Support Vector Regression Support Vector Regression merupakan pengembangan dari metode Support Vector Machine (SVM) untuk kasus regresi. SVR merupakan metode yang dapat mengatasi overfitting, sehingga akan menghasilkan performansi yang bagus (Scholkopf et al., 22). Konsep SVR didasarkan pada risk minimization, yaitu untuk mengestimasi suatu fungsi dengan cara meminimalkan batas dari error rate. Sebuah algoritma sekuensial untuk regresi non-linear dapat menghasilkan solusi optimal dengan iterasi yang lebih cepat dibandingkan metode konvensional (Vijayakumar & Wu, 1999). Berikut tahap-tahap mengenai algoritma SVR. 1. Inisialisasi data dan parameter, data yang digunakan terdiri dari dua tipe data yaitu data latih dan data uji, terdapat parameterparameter yang digunakan yaitu ε, λ, σ untuk Kernel Gaussian RBF, C, dan clr. 2. Normalisasi Data, proses normalisasi data yang digunakan adalah min-max normalization. Normalisasi data memiliki tujuan untuk standarisasi semua data yang digunakan dalam perhitungan sehingga data berada pada jarak tertentu. Normalisasi data dapat dijabarkan melalui Persamaan (2) x = x x min x max x min (2) 3. Matriks Hessian, dapat dijabarkan melalui Persamaan (3) [R] ij = K(x i, x j ) + λ 2 (3) Kemudian hasil dari matriks hessian digunakan untuk mencari nilai parameter gamma yang dijabarkan melalui Persamaan (4) γ = clr max (matriks Hessian) (4) 4. Sequential Learning adalah langkah menghitung nilai error E i, perubahan nilai lagrange multiplier (α i dan α i ), dan mendapatkan nilai lagrange multiplier baru dari data latih. Sebelum memulai langkah ini, inisialisasikan dulu nilai lagrange multiplier (α i dan α i ) yakni. Berikut langkah-langkah beserta persamaannya Menghitung nilai error E i l E i = y i j=1 (α j α j )R ij (5) Menghitung perubahan nilai Lagrange Multiplier δα i = min{max(γ(e i ε), α i ), C α i } (6) δα i = min{max(γ( E i ε), α i ), C α i } (7) Menghitung nilai baru Lagrange Multiplier α i (baru) = δα i + α i (lama) (8) α i (baru) = δα i + α i (lama) (9) 5. Langkah perulangan (mengulangi langkah no. 4) dilakukan hingga mencapai batas iterasi maksimal yang telah diinisialisasikan sebelumnya, atau hingga
4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2512 memenuhi syarat max ( δα i ) < ε dan max ( δα i ) < ε. 6. Menghitung nilai peramalan, dapat dijabarkan melalui Persamaan (1) n f(x) = i=1 (α i α i )(K(x i, x) + λ 2 ) (1) 7. Denormalisasi, dilakukan dengan tujuan mendapatkan data yang asli melalui cara mengembalikan ukuran data yang telah dinormalisasikan sebelumnya. Dapat dijabarkan melalui Persamaan (11) x = x (x max x min ) + x min (11) 2.6 MAPE Rata-rata presentase kesalahan Mean Absolute Percentage Error (MAPE) adalah ukuran akurasi dari hasil peramalan merupakan ukuran tentang tingkat perbedaan antara hasil peramalan dengan permintaan yang sebenarnya terjadi. MAPE menyatakan persentase kesalahan hasil peramalan terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah (Wu et al., 29). Nilai evaluasi diukur dalam bentuk error rate menggunakan MAPE, dapat dijabarkan melalui Persamaan (12) MAPE = 1 n y i y i n i=1 1 (12) y i 3. PERANCANGAN DAN IMPLEMENTASI Dalam sistem ini ada beberapa tahapan yang dilakukan yaitu pengolahan data yang akan digunakan dan penerapan algoritma SVR untuk melakukan perhitungan data yang telah diolah. Berikut merupakan alur proses yang dijalankan oleh sistem secara keseluruhan pada Gambar 1 Gambar 1 Alur Metode Support Vector Regression Permasalahan yang akan diselesaikan dalam penelitian ini adalah peramalan status siaga banjir dengan menganalisis data AWLR dan ARR di sebuah stasiun daerah aliran sungai Brantas dengan menggunakan algoritma SVR. Penelitian ini bertujuan untuk mendapatkan nilai hasil peramalan dari data siaga yang dianalisis beserta dengan tingkat error yang didapat. Dengan menggunakan algoritma SVR untuk memecahkan masalah ini dikarenakan algoritma ini mengestimasi suatu fungsi dengan cara meminimalkan batas dari error rate (Amanda, 214). Sistem ini bertugas untuk mendapatkan error rate yang minimal dimulai dengan menginisialisasi data menjadi data latih dan data uji serta parameter yang digunakan.
5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2513 Lalu membuat tabel fitur yang diambil dari inisialisasi data secara random sebagai sampel perhitungan awal. Selanjutnya fitur-fitur tersebut dihitung nilai normalisasi datanya. Kemudian mengikuti proses-proses seperti dijelaskan pada Gambar 1 dengan menghitung nilai dari proses matriks hessian, memperoleh nilai lagrange multiplier yang baru pada proses sequential learning, menghitung nilai peramalan dan proses terakhir untuk mendapatkan nilai error rate menggunakan metode MAPE. 4. PENGUJIAN DAN ANALISIS Pada penelitian ini dilakukan beberapa pengujian terhadap hasil error rate yang terdiri dari pengujian nilai parameter dan sistem k-fold cross validation dan ARR. 4.1 untuk Data AWLR Pada pengujian data AWLR ini menggunakan data di St. Kambing dengan jumlah data sebanyak 657. Data yang digunakan merupakan data pada bulan Desember 216 untuk meramalkan status siaga untuk bulan selanjutnya. Data dibagi menjadi 2 bagian yaitu 457 data latih dan 2 data uji. Pengujian ini bertujuan untuk mengetahui nilai error rate paling minimal dari parameter SVR. Pengujian pertama yaitu pengujian parameter ε. Untuk hasil pengujian nilai parameter ε ditunjukkan pada Gambar 2 Epsilon , , , Range nilai Epsilon Semakin kecil nilai ε, maka nilai error rate yang dihasilkan akan semakin tinggi. Begitu pula sebaliknya, semakin besar nilai ε maka akan semakin kecil nilai error rate yang dihasilkan. Pada pengujian yang dilakukan, nilai ε akan sebesar pada range.1-1. Pengujian kedua yaitu pengujian parameter λ. Untuk hasil pengujian nilai parameter λ ditunjukkan pada Gambar 3 Lambda , , , Range nilai Lambda Gambar 3 Grafik λ Berdasarkan Gambar 3 menunjukkan bahwa nilai error rate mengalami peningkatan mengikuti range nilai λ yang semakin tinggi. besar nilai error rate yang dihasilkan. Pada pengujian yang dilakukan, nilai λ akan sebesar pada range.5-1. Pengujian ketiga yaitu pengujian parameter σ. Untuk hasil pengujian nilai parameter σ ditunjukkan pada Gambar 4 Gambar 2 Grafik ε Berdasarkan Gambar 2 menunjukkan bahwa nilai error rate mengalami penurunan mengikuti range nilai ε yang semakin tinggi.
6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2514 Sigma , , , Range nilai Sigma Gambar 4 Grafik σ Berdasarkan Gambar 4 menunjukkan bahwa nilai error rate mengalami peningkatan mengikuti range nilai σ yang semakin tinggi. besar nilai error rate yang dihasilkan. Pada pengujian yang dilakukan, nilai σ akan sebesar pada range Pengujian keempat yaitu pengujian parameter C. Untuk hasil pengujian nilai parameter C ditunjukkan pada Gambar 5 C 1,7 1,6 1,5 1,4 1,3 1,2 1,1 1 9,9 9,8 1, , , Range nilai C Gambar 5 Grafik C Berdasarkan Gambar 5 menunjukkan bahwa nilai error rate mengalami penurunan mengikuti range nilai C yang semakin tinggi. kecil nilai error rate yang dihasilkan. Pada pengujian yang dilakukan, dengan nilai parameter yang semakin meningkat hasil error rate mengalami konvergensi dimana nilai yang dihasilkan bernilai sama, dengan hasil error rate terkecil sebesar pada range Pengujian kelima yaitu pengujian parameter clr. Untuk hasil pengujian nilai parameter clr ditunjukkan pada Gambar 6 clr , , , Range nilai clr Gambar 6 Grafik clr Berdasarkan Gambar 6 menunjukkan bahwa nilai error rate mengalami peningkatan mengikuti range nilai clr yang semakin tinggi. tinggi pula nilai error rate yang dihasilkan. Pada pengujian yang dilakukan, nilai clr akan sebesar pada range untuk Data ARR Pada pengujian data ARR ini menggunakan data di St. Kambing dengan jumlah data sebanyak 597. Data yang digunakan merupakan data pada bulan Desember 216 untuk meramalkan status siaga untuk bulan selanjutnya. Data dibagi menjadi 2 bagian yaitu 396 data latih dan 21 data uji. Pengujian ini bertujuan untuk mengetahui nilai error rate paling minimal dari parameter SVR. Pengujian pertama yaitu pengujian parameter ε. Untuk hasil pengujian nilai parameter ε ditunjukkan pada Gambar 7
7 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2515 Epsilon ,78 16, Range nilai Epsilon Gambar 7 Grafik ε untuk Data ARR Berdasarkan Gambar 7 menunjukkan bahwa nilai error rate mengalami penurunan mengikuti range nilai ε yang semakin tinggi. Semakin kecil nilai ε, maka nilai error rate yang dihasilkan akan semakin tinggi. Begitu pula sebaliknya, semakin besar nilai ε maka akan semakin kecil nilai error rate yang dihasilkan. Pada pengujian yang dilakukan, nilai ε akan sebesar pada range.1-1. Pengujian kedua yaitu pengujian parameter λ. Untuk hasil pengujian nilai parameter λ ditunjukkan pada Gambar 8 Lambda , , , Range nilai Lambda Gambar 8 Grafik λ untuk Data ARR Berdasarkan Gambar 8 menunjukkan bahwa nilai error rate mengalami peningkatan mengikuti range nilai λ yang semakin tinggi. besar nilai error rate yang dihasilkan. Pada pengujian yang dilakukan, nilai λ telah mencapai nilai error rate terkecil sebesar pada range Namun di range berikutnya nilai error rate mengalami konvergensi dengan memiliki nilai yang sama pada proses pengujian selanjutnya. 4.3 Pengujian Sistem K-Fold Cross Validation Pengujian cross validation merupakan teknik untuk menilai atau memvalidasi keakuratan sebuah sistem yang dibangun berdasarkan dataset tertentu. Pembuatan model bertujuan untuk melakukan prediksi atau klasifikasi terhadap suatu data baru yang belum pernah muncul di dalam dataset sebelumnya(wihardi, 213). Pada pengujian ini digunakan parameter beserta nilainya antara lain ε =.9, λ =.5, σ =.2, C =.8, clr =.8 dan jumlah iterasi sebanyak 1. Untuk hasil pengujian sistem k-fold cross validation ditunjukkan pada Tabel 1 berikut Tabel 1 Pengujian Sitem K-fold Cross Validation Uji Sistem Kelompok Data ke Presentase error rate (MAPE) Tabel 2 Pengujian Sitem K-fold Cross Validation untuk Data ARR Uji Sistem Kelompok Data ke Presentase error rate (MAPE)
8 Presentase error rate Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Dalam pengujian cross validation ini dibagi data menjadi dua bagian, yaitu data latih dan data uji. Setelah data diuji dilakukan proses silang dimana data uji dijadikan data latih maupun sebaliknya, data latih sebelumnya akan menjadi data uji. Hasil pengujian menunjukkan bahwa pengujian sistem menggunakan k-fold cross validation memiliki hasil yang berbeda di tiap varian data. Dari Tabel 1 dapat dilihat bahwa hasil pengujian sistem mengalami proses yang tidak menentu dengan bergantung dengan variasi data yang digunakan. Pada kelompok data yang pertama memiliki presentase error rate sebesar kemudian mengalami kenaikan di pengujian sistem selanjutnya. Namun pada kelompok data ke-5 mengalami penurunan hasil error rate sebesar Hasil untuk presentasi nilai error rate terkecil diperoleh pada pengujian kelompok data ke-7 dengan nilai error rate sebesar dan mengalami peningkatan yang cukup jauh pada proses pengujian kelompok data selanjutnya. Grafik hasil pengujian sistem menggunakan k-fold cross validation ditunjukkan pada Gambar Pengujian Sistem K-fold Cross Validation Pengujian Kelompok Data Ke - Gambar 9 Pengujian Sistem K-fold Cross Validation Untuk data ARR Dari Tabel 2 dapat dilihat bahwa hasil pengujian sistem mengalami proses yang tidak menentu dengan bergantung dengan variasi data yang digunakan. Pada kelompok data yang pertama memiliki presentase error rate sebesar kemudian mengalami kenaikan di pengujian sistem selanjutnya. Namun pada kelompok data ke-1 mengalami kenaikan yang cukup tinggi dengan hasil error rate sebesar Hasil untuk presentasi nilai error rate terkecil diperoleh pada pengujian kelompok data ke-3 dengan nilai error rate sebesar Grafik hasil pengujian sistem menggunakan k-fold cross validation ditunjukkan pada Gambar Pengujian Sistem K-fold Cross Validation Gambar 1 Pengujian Sistem K-fold Cross Validation untuk Data ARR 5. KESIMPULAN Pengujian Kelompok Data Ke - Berdasarkan hasil pengujian pada penelitian Sistem Peramalan Siaga Banjir dengan Menganalisis Data Curah Hujan (ARR) dan Tinggi Muka Air (AWLR) Menggunakan Metode Suppor Vector Regression maka dapat disimpulkan bahwa, Dalam mengimplementasi metode SVR untuk meramalkan status siaga banjir terdapat beberapa langkah yang dilakukan. Langkah pertama adalah menginisialisasi data yang digunakan menjadi dua tipe data yaitu data latih dan data uji dengan fitur yang telah ditentukan. Langkah kedua adalah melakukan normalisasi data menggunakan min-max normalization. Langkah ketiga adalah melakukan perhitungan kernel menggunakan Kernel Gaussian RBF dan matriks hessian untuk mendapatkan nilai parameter gamma. Langkah keempat adalah melakukan proses sequential learning yang digunakan untuk melakukan proses iterasi dan mencari nilai alpha dan alphastar yang nantinya digunakan untuk memperoleh nilai peramalan. Langkah kelima adalah mencari nilai peramalan dan melakukan denormalisasi nilai peramalan siaga banjir. Langkah terakhir adalah mencari nilai error rate terkecil dari sistem peramalan siaga banjir menggunakan MAPE. Berdasarkan pengujian yang telah dilakukan, pada data tinggi muka air (AWLR) dengan jumlah data latih sebanyak 591 data dan data uji sebanyak 66 data didapatkan nilai error
9 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2517 rate terkecil sebesar Dan pada data curah hujan (ARR) dengan jumlah data latih sebanyak 538 data dan data uji sebanyak 59 data didapatkan nilai error rate terkecil sebesar Dengan nilai parameter yang digunakan yaitu ε =.9, λ =.5, σ =.2, C =.8, clr =.8 dan jumlah Iterasi sebesar 1. Kedua data tersebut menghasilkan peramalan siaga banjir berupa Siaga NORMAL. Pada penelitian mengenai peramalan siaga banjir dengan menganalisis data curah hujan dan tinggi muka air ini masih belum sempurna dan memiliki banyak kekurangan. Saran yang diberikan untuk penelitian selanjutnya adalah dibutuhkannya penambahan metode lain dengan algoritma optimasi karena perlunya dilakukan optimasi pada nilai parameter yang ada di metode SVR. Dan diperlukannya pengoptimalan data ARR menggunakan perhitungan atau balancing data berdasarkan jamnya sebelum melakukan proses dari metode yang diimplementasikan dikarenakan jarak antar data yang tidak seimbang. Syafruddin, M., 214. Prediksi Kebutuhan Energi Listrik Jangka Panjang untuk Provinsi Lampung hingga Tahun 23, Bandar Lampung: Universitas Lampung. Tonde, C. & Elgammal, A., 214. Simultaneous Twin Kernel Learning using Polynomial Transformations for Structured Prediction. 214 IEEE Conference on Computer Vision and Pattern Recognition. Wihardi, Y., 213. K-Folds Cross Validation. Link : Wu, CH., Tzeng, GH. & Lin, RH., 29. A Novel Hybird Genetic Algorithm For Kernel Function And Parameter Optimization In Support Vector Regression. Vijayakumar, S. & Wu, S., Sequential Support Vector Classifiers and Regression. Genoa, Italy, Saitama: RIKEN Brain Science Institute, The Institute for Physical and Chemical Research, pp DAFTAR PUSTAKA Amanda, R., 214. Analisis Support Vector Regression (SVR) Dalam Meramalkan Kurs Rupiah Terhadap Dolar Amerika Serikat. Semarang: Universitas Diponegoro. Li, C.-H., Lu, Z.-d. & Zhou, K., 25. SVR- Parameters Selection For Image Watermaking. Wuhan, IEEE. Ma, D., Ding, N., Wang, J. & Cui J. 21. Research on Flood Submergence Analysis System Based on ArcEngine Component Library. Ministry of Construction P.R. China Science & Technology Planning Project (21-K9-24). Nasution. 23. Metode Research. Jakarta: PT. Bumi Aksara. Ratmaniar, Sunadi R. & Rosminar Jurnal Tentang Banjir. Jurusan Pendidikan Fisika: UIN Alauddin Makassar. Link: urnal Scholkopf, B. & Smola, A.J., 22. Learning With Kernels : Support Vector Machine, Regularization, Opmitization & Beyond. MIT Press. Setyawan, P., 212. Pengembangan Sistem Monitoring Telemetri GSM Berbasis Desktop, Web dan Mobile.
Prediksi Jumlah Kunjungan Wisatawan Mancanegara Ke Bali Menggunakan Support Vector Regression dengan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2 No. 8, Agustus 2018, hlm. 2578-2586 http://j-ptiik.ub.ac.id Prediksi Jumlah Kunjungan Wisatawan Mancanegara Ke Bali Menggunakan
Lebih terperinciOptimasi Parameter Support Vector Regression Dengan Algoritme Genetika Untuk Prediksi Harga Emas
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 1, Januari 2018, hlm. 273-281 http://j-ptiik.ub.ac.id Optimasi Parameter Support Vector Regression Dengan Algoritme
Lebih terperinciPeramalan Harga Saham Menggunakan Metode Support Vector Regression (SVR) Dengan Particle Swarm Optimization (PSO)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 5, Mei 218, hlm. 198-199 http://j-ptiik.ub.ac.id Peramalan Harga Saham Menggunakan Metode Support Vector Regression
Lebih terperinciPeramalan Harga Saham Menggunakan Support Vector Regression Dengan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No., Januari 28, hlm. 29-26 http://j-ptiik.ub.ac.id Peramalan Harga Saham Menggunakan Support Vector Regression Dengan
Lebih terperinciPERAMALAN JUMLAH TAMU HOTEL DI KABUPATEN DEMAK MENGGUNAKAN METODE SUPPORT VECTOR REGRESSION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman 785-794 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN JUMLAH TAMU HOTEL DI KABUPATEN DEMAK MENGGUNAKAN METODE
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 terperinciANALISIS SUPPORT VECTOR REGRESSION
ANALISIS SUPPORT VECTOR REGRESSION (SVR) DALAM MEMPREDIKSI KURS RUPIAH TERHADAP DOLLAR AMERIKA SERIKAT SKRIPSI Oleh : RISKY AMANDA NIM. 24010210141027 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
Lebih terperinciOptimasi SVR dengan Ant Colony Optimization untuk Prediksi Tingkat Produksi Susu Segar (Studi Kasus pada Koperasi Susu SAE Pujon, Malang)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3343-3352 http://j-ptiik.ub.ac.id Optimasi SVR dengan Ant Colony Optimization untuk Prediksi
Lebih terperinci2. Adanya resiko pemumpukan barang pada gudang.
BAB 3 PROSEDUR DAN METODOLOGI 3.1. Analisis Masalah 3.1.1. Deskripsi Masalah Pemenuhan keinginan atau permintaan pasar merupakan hal yang krusial bagi setiap perusahaan. Perusahaan yang siap berkompetisi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Sering terdapat tenggang waktu (time lag) antara kesadaran akan peristiwa atau kebutuhan mendatang dengan peristiwa itu sendiri. Adanya waktu tenggang ini merupakan
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1. Wilayah dan Jadwal Penelitian Wilayah penelitan adalah Kota Banda Aceh. Penelitian ini dilakukan mulai bulan April sampai Juli 2014. 3.2. Populasi dan Sampel Populasi dalam
Lebih terperinciSVM untuk Regresi. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciBAB II DASAR TEORI. Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma.
BAB II DASAR TEORI Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma. 2.1. Microsoft Visual Studio Microsoft Visual Studio adalah sebuah software yang
Lebih terperinci4 Notepad dan Microsoft Excel sebagai editor data.
dengan menggunakan perangkat lunak ENVI disimpan dalam file.txt (Lampiran 1). File ini berisi informasi mengenai panjang gelombang dan nilai pantulan (reflectance) objek di permukaan bumi. Objek yang diperlukan
Lebih terperinciKLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM)
KLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Oleh : MEKAR SEKAR SARI NIM. 24010210120008 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Musim hujan merupakan musim yang mutlak ada di sebagian belahan benua dunia. Dan curah hujan pasti memiliki
BAB I PENDAHULUAN 1.1 Latar Belakang Musim hujan merupakan musim yang mutlak ada di sebagian belahan benua dunia. Dan curah hujan pasti memiliki intensitas yang berbeda. Faktor penyebabnya dapat terjadi
Lebih terperinciPRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA
PRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA Penyusun Tugas Akhir : Astris Dyah Perwita (NRP : 5110.100.178)
Lebih terperinciPREDIKSI INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR REGRESSION (SVR) DENGAN ALGORITMA GRID SEARCH
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 315-321 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PREDIKSI INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR
Lebih terperinciAnalisis Akurasi Support Vector Machine...
ANALISIS AKURASI SUPPORT VECTOR MACHINE DENGAN FUNGSI KERNEL GAUSSIAN RBF UNTUK PRAKIRAAN BEBAN LISTRIK HARIAN SEKTOR INDUSTRI Luqman Assaffat 1 * 1 Jurusan Teknik Elektro, Fakultas Teknik, Universitas
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 INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR REGRESSION DENGAN ALGORITMA GRID SEARCH
PREDIKSI INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR REGRESSION DENGAN ALGORITMA GRID SEARCH SKRIPSI Disusun Oleh : LUTFIA SEPTININGRUM 240 102 111 400 73 JURUSAN STATISTIKA FAKULTAS SAINS DAN
Lebih terperinciANALISIS SUPPORT VECTOR REGRESSION (SVR) DALAM MEMPREDIKSI KURS RUPIAH TERHADAP DOLLAR AMERIKA SERIKAT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 849-857 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS SUPPORT VECTOR REGRESSION (SVR) DALAM MEMPREDIKSI KURS
Lebih terperinciSVM untuk Regresi Ordinal
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
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 terperinciPERAMALAN BEBAN LISTRIK BULANAN SEKTOR INDUSTRI MENGGUNAKAN SUPPORT VECTOR MACHINE DENGAN VARIASI FUNGSI KERNEL
PERAMALAN BEBAN LISTRIK BULANAN SEKTOR INDUSTRI MENGGUNAKAN SUPPORT VECTOR MACHINE DENGAN VARIASI FUNGSI KERNEL Luqman Assaffat Program Studi Teknik Elektro, Fakultas Teknik Universitas Muhammadiyah Semarang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Negara memainkan peran penting dalam kehidupan ekonomi. Peran itu diwujudkan dalam dua hal pokok, yaitu kewenangan negara untuk menguasai sumber ekonomi, memperoleh
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 terperinciPENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 811-820 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 2, Februari 2018, hlm. 857-868 http://j-ptiik.ub.ac.id Peramalan Kenaikan Indeks Harga Konsumen/Inflasi Kota Malang
Lebih terperinciSKRIPSI Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu Jurusan Informatika. Disusun Oleh: WINA ISTI RETNANI NIM.
PERBANDINGAN ALGORITMA BACKPROPAGATION LEVENBERG MARQUARDT (LM) DENGAN BACKPROPAGATION GRADIENT DESCENT ADAPTIVE GAIN (BPGD/AG) DALAM PREDIKSI JUMLAH PENGANGGURAN DI PROVINSI JAWA TENGAH SKRIPSI Diajukan
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 terperinciMetode Kernel. Machine Learning
MMA10991 Topik Khusus Machine Learning Metode Kernel Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439,
Lebih terperinciAplikasi Sistem Informasi Forecasting pada PD. Maha Jaya. Teknik Informatika 1 Teknik Industri 2 Universitas Kristen Petra Surabaya
Aplikasi Sistem Informasi Forecasting pada PD. Maha Jaya Rudy Adipranata 1, Tanti Octavia 2, Andi Irawan 1 Teknik Informatika 1 Teknik Industri 2 Universitas Kristen Petra Surabaya Pendahuluan Pentingnya
Lebih terperinciALGORITMA SUPPORT VECTOR MACHINE UNTUK MENDETEKSI SMS SPAM BERBAHASA INDONESIA
ALGORITMA SUPPORT VECTOR MACHINE UNTUK MENDETEKSI SMS SPAM BERBAHASA INDONESIA Candra Putra Susanto dan Esther Irawati Setiawan Teknologi Informasi Sekolah Tinggi Teknik Surabaya Candra.ptr19@gmail.com
Lebih terperinciBAB III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu yang akan terjadi dimasa sekarang maupun yang akan datang. dikarena masa yang akan datang
Lebih terperinciANALISIS PERFORMANSI PERUSAHAAN SYARIAH DI BURSA EFEK INDONESIA (BEI) MENGGUNAKAN METODE DISCRIMINANT ANALYSIS DAN SUPPORT VECTOR MACHINE (SVM)
ANALISIS PERFORMANSI PERUSAHAAN SYARIAH DI BURSA EFEK INDONESIA (BEI) MENGGUNAKAN METODE DISCRIMINANT ANALYSIS DAN SUPPORT VECTOR MACHINE (SVM) NUR SYAFRIDA - 1308 100 065 Pembimbing : Muhammad Mashuri,
Lebih terperinciPenerapan Sentimen Analisis Acara Televisi Pada Twitter Menggunakan Support Vector Machine dan Algoritma Genetika sebagai Metode Seleksi Fitur
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 3, Januari 2018, hlm. 998-1007 http://j-ptiik.ub.ac.id Penerapan Sentimen Analisis Acara Televisi Pada Twitter Menggunakan
Lebih terperinciPenerapan Metode Support Vector Machine (SVM) Pada Klasifikasi Penyimpangan Tumbuh Kembang Anak
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3163-3169 http://j-ptiik.ub.ac.id Penerapan Metode Support Vector Machine (SVM) Pada Klasifikasi
Lebih terperinciPREDIKSI BEBAN LISTRIK HARIAN PADA SEKTOR INDUSTRI BERBASIS SVM DENGAN KERNEL POLINOMIAL
PREDIKSI BEBAN LISTRIK HARIAN PADA SEKTOR INDUSTRI BERBASIS SVM DENGAN KERNEL POLINOMIAL Luqman Assaffat 1) 1 Fakultas Teknik, Universitas Muhammadiyah Semarang email: assaffat@unimus.ac.id Abstract The
Lebih terperinciPREDIKSI TIME SERIES TINGKAT INFLASI INDONESIA MENGGUNAKAN EVOLUTION STRATEGIES
PREDIKSI TIME SERIES TINGKAT INFLASI INDONESIA MENGGUNAKAN EVOLUTION STRATEGIES Universitas Telkom Jl.Telekomunikasi No. 1, Terusan Buah Batu, Bandung ritaris@telkomuniversity.ac.id Abstrak Prediksi tingkat
Lebih terperinciPengaruh Preprocessing Data pada Metode SVR dalam Memprediksi Permintaan Obat
Pengaruh Preprocessing Data pada Metode SVR dalam Memprediksi Permintaan Obat Bakhtiyar Hadi Prakoso 1) 1) Jurusan Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Jember Jl. Karimata No.
Lebih terperinciPERAMALAN DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN SUPPORT VECTOR REGRESSION
PERAMALAN DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN SUPPORT VECTOR REGRESSION Budi Santosa, Riza Nugraha Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo
Lebih terperinciPERAMALAN JUMLAH TAMU HOTEL DI KABUPATEN DEMAK
PERAMALAN JUMLAH TAMU HOTEL DI KABUPATEN DEMAK MENGGUNAKAN METODE SUPPORT VECTOR REGRESSION SKRIPSI Disusun Oleh : DESY TRISHARDIYANTI ADININGTYAS 24010211130047 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciPERAMALAN BEBAN JANGKA PENDEK PADA HARI LIBUR DI BALI MENGGUNAKAN METODE GENERALIZED REGRESSION NEURAL NETWORK (GRNN)
PERAMALAN BEBAN JANGKA PENDEK PADA HA LIBUR DI BALI MENGGUNAKAN METODE GENERALIZED REGRESSION NEURAL NETWORK () Juniar Doan Wihardono 1, Agus Dharma 2, I Made Mataram 3 Jurusan Teknik Elektro dan Komputer,
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 terperinciADLN - Perpustakaan Universitas Airlangga ABSTRAK. viii
Muhammad Arif Santoso, 2015. Peramalan Penjualan Produk Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine. Skripsi ini dibawah bimbingan Auli Damayanti,S.Si, M.Si dan Dr. Herry Suprajitno,
Lebih terperinciPeramalan Deret Waktu Menggunakan S-Curve dan Quadratic Trend Model
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Peramalan Deret Waktu Menggunakan S-Curve dan Quadratic Trend Model Ni Kadek Sukerti STMIK STIKOM Bali Jl. Raya Puputan
Lebih terperinciOPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION
OPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION NILA YUWIDA 1208100015 Dosen Pembimbing : Dra. Nuri Wahyuningsih, M.Kes Drs. Lukman Hanafi,
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
68 BAB 4 HASIL DAN PEMBAHASAN 4.1. Uji Algoritma Pengujian dilakukan untuk mendapatkan algoritma yang paling optimal dari segi kecepatan dan tingkat akurasi yang dapat berjalan secara real time pada smartphone
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 III DATA DAN METODOLOGI
17 BAB III DATA DAN METODOLOGI 3.1 Data Pada penelitian ini, ada dua jenis data yang akan digunakan. Jenis data pertama adalah data curah hujan bulanan dan yang kedua adalah data luaran GCM. 3.1.1 Data
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 1, Januari 2018, hlm. 184-189 http://j-ptiik.ub.ac.id Klasifikasi Standar Produk Baja PT. Krakatau Steel (Persero)
Lebih terperinciSKRIPSI APLIKASI METODE GOLDEN SECTION UNTUK OPTIMASI PARAMETER PADA METODE EXPONENTIAL SMOOTHING. Disusun oleh: DANI AL MAHKYA
APLIKASI METODE GOLDEN SECTION UNTUK OPTIMASI PARAMETER PADA METODE EXPONENTIAL SMOOTHING SKRIPSI Disusun oleh: DANI AL MAHKYA 24010210141025 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
Lebih terperinciPENERAPAN ALGORITMA FORECASTING UNTUK PREDIKSI PENDERITA DEMAM BERDARAH DENGUE DI KABUPATEN SRAGEN
PENERAPAN ALGORITMA FORECASTING UNTUK PREDIKSI PENDERITA DEMAM BERDARAH DENGUE DI KABUPATEN SRAGEN Ryan Putranda Kristianto 1), Ema Utami 2), Emha Taufiq Lutfi 3) 1, 2,3) Magister Teknik informatika STMIK
Lebih terperinciAPLIKASI SUPPORT VEKTOR MACHINE (SVM) UNTUK PROSES ESTIMASI SUDUT DATANG SINYAL
APLIKASI SUPPORT VEKTOR MACHINE (SVM) UNTUK PROSES ESTIMASI SUDUT DATANG SINYAL Hosken Ginting / 0322173 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia
Lebih terperinci5. Struktur Penulisan Tesis
Course Outline 1. Pengantar Penelitian 2. Tahapan Penelitian 3. Masalah Penelitian 4. Literature Review 5. Struktur Penulisan Tesis 6. Kesalahan Penulisan Tesis 7. Metode Eksperimen 8. Pengujian Tesis
Lebih terperinciJurnal Fisika Unand Vol. 2, No. 4, Oktober 2013 ISSN
PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN BEBERAPA FUNGSI PELATIHAN BACKPROPAGATION (Studi Kasus: Stasiun Meteorologi Tabing Padang, Tahun 2001-2012) Cici Oktaviani, Afdal
Lebih terperinciIMPLEMENTASI PREDIKSI KEDALAMAN LAUT BERDASARKAN CITRA SATELIT MENGGUNAKAN SUPPORT VECTOR REGRESSION
IMPLEMENTASI PREDIKSI KEDALAMAN LAUT BERDASARKAN CITRA SATELIT MENGGUNAKAN SUPPORT VECTOR REGRESSION Putri Haryati Rizki,S.Kom. 1, Jondri, Drs.,Msi. 2, Rian Febrian Umbara, Ssi.,Msi. 3 1,3 Prodi Ilmu Komputasi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan merupakan usaha yang dilakukan oleh suatu perusahaan untuk melihat dan mengkaji situasi dan kondisi di masa mendatang. Terdapat beberapa faktor yang mempengaruhi
Lebih terperinciPREDIKSI PRODUKSI PANEN KELAPA SAWIT MENGGUNAKAN JARINGAN SARAF RADIAL BASIS FUNCTION (RBF) SKRIPSI RINI JANNATI
PREDIKSI PRODUKSI PANEN KELAPA SAWIT MENGGUNAKAN JARINGAN SARAF RADIAL BASIS FUNCTION (RBF) SKRIPSI RINI JANNATI 101402072 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
Lebih terperinciPERBANDINGAN METODE PEMULUSAN EKSPONENSIAL TUNGGAL DAN FUZZY TIME SERIES UNTUK MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN
PERBANDINGAN METODE PEMULUSAN EKSPONENSIAL TUNGGAL DAN FUZZY TIME SERIES UNTUK MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN SKRIPSI Oleh : TAUFAN FAHMI J2E008056 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciPERAMALAN DINAMIS PRODUKSI PADI DI JAWA TENGAH MENGGUNAKAN METODE KOYCK DAN ALMON
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 91-97 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN DINAMIS PRODUKSI PADI DI JAWA TENGAH MENGGUNAKAN METODE
Lebih terperinciPrediksi Tren Kurs Dollar Dari Berita Finansial Amerika Serikat Berbahasa Indonesia Menggunakan Support Vector Machine
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 3, Januari 2018, hlm. 1008-1016 http://j-ptiik.ub.ac.id Prediksi Tren Kurs Dollar Dari Berita Finansial Amerika Serikat
Lebih terperinciSupport Vector Machine
MMA10991 Topik Khusus Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciPrediksi Nilai Tukar Rupiah Indonesia Terhadap Dolar Amerika Serikat Menggunakan Metode Recurrent Extreme Learning Machine Neural Network
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 2017, hlm. 1188-1197 http://j-ptiik.ub.ac.id Prediksi Nilai Tukar Rupiah Indonesia Terhadap Dolar Amerika
Lebih terperinciRancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika
1 Rancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika Annisti Nurul Fajriyah Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih 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 IV METODE PENELITIAN
BAB IV METODE PENELITIAN 4.1. Desain Penelitian Dari uraian latar belakang masalah, penelitian ini dikategorikan ke dalam penelitian kasus dan penelitian lapangan. Menurut Rianse dan Abdi dalam Surip (2012:33)
Lebih terperinciPREDIKSI BANJIR DENGAN MENGUNAKAN WEIGHTED EVOLVING FUZZY NEURAL NETWORK (WEFUNN) SKRIPSI REZA ELFANDRA SIREGAR
PREDIKSI BANJIR DENGAN MENGUNAKAN WEIGHTED EVOLVING FUZZY NEURAL NETWORK (WEFUNN) SKRIPSI REZA ELFANDRA SIREGAR 091402098 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER & TEKNOLOGI INFORMASI
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinci2016 OPTIMAL ANOMALOUS SHORT TERM LOAD FORECASTING BERBASIS ALGORITMA FEED FORWARD BACKPROPAGATION
BAB I PENDAHULUAN 1.1. Latar Belakang Penelitian Peramalan beban selalu menjadi instrumen penting dalam operasi sistem tenaga. Berbagai keputusan operasi ditentukan oleh peramalan beban, seperti penjadwalan
Lebih terperinciPENGGOLONGAN UANG KULIAH TUNGGAL MENGGUNAKAN SUPPORT VECTOR MACHINE
E-Jurnal Matematika Vol. 6 (4), November 2017, pp. 220-225 ISSN: 2303-1751 DOI: https://doi.org/10.24843/mtk.2017.v06.i04.p169 PENGGOLONGAN UANG KULIAH TUNGGAL MENGGUNAKAN SUPPORT VECTOR MACHINE I Gede
Lebih terperinciBAB 3 METODE PENELITIAN
31 BAB 3 METODE PENELITIAN 3.1 Pengumpulan Data (Data gathering). Pengumpulan data harus mampu mendeskripsikan data yang ada, serta memiliki kontribusi terhadap pengetahuan. Data yang tidak lengkap perlu
Lebih terperinciKLASIFIKASI LAMA STUDI MAHASISWA FSM UNIVERSITAS DIPONEGORO MENGGUNAKAN REGRESI LOGISTIK BINER DAN SUPPORT VECTOR MACHINE (SVM)
KLASIFIKASI LAMA STUDI MAHASISWA FSM UNIVERSITAS DIPONEGORO MENGGUNAKAN REGRESI LOGISTIK BINER DAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Oleh : SRI MAYA SARI DAMANIK 24010210120002 JURUSAN STATISTIKA
Lebih terperinciPERAMALAN (Forecast) (ii)
PERAMALAN (Forecast) (ii) Disajikan oleh: Bernardus Budi Hartono Web : http://pakhartono.wordpress.com E-mail: pakhartono at gmail dot com budihartono at acm dot org Teknik Informatika [Gasal 2009 2010]
Lebih terperinciOPTIMASI HASIL PREDIKSI KETERSEDIAAN ENERGI SUMBER DAYA MINERAL MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI HASIL PREDIKSI KETERSEDIAAN ENERGI SUMBER DAYA MINERAL MENGGUNAKAN ALGORITMA GENETIKA Eka Handayani 1, Jondri,Drs.,M.T. 2, Siti Sa adah,s.t.,m.t. 3 1,2,3 ProdiS1 Teknik Informatika, Fakultas Teknik,
Lebih terperinciPRINCIPAL COVARIATE REGRESSION PADA DATA RUNTUN WAKTU
PRINCIPAL COVARIATE REGRESSION PADA DATA RUNTUN WAKTU Nuruma Nurul Malik 1, Fevi Novkaniza 2 Departemen Matematika FMIPA UI, Depok Email korespondensi : fevi.novkaniza@sci.ui.ac.id Abstrak Pada suatu data
Lebih terperinciPrediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan Metode Genetic-Based Backpropagation
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 4, April 2017, hlm. 341-351 http://j-ptiik.ub.ac.id Prediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan
Lebih terperinciKLASIFIKASI LAMA STUDI MAHASISWA FSM UNIVERSITAS DIPONEGORO MENGGUNAKAN REGRESI LOGISTIK BINER DAN SUPPORT VECTOR MACHINE (SVM)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 123-132 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI LAMA STUDI MAHASISWA FSM UNIVERSITAS DIPONEGORO
Lebih terperinciPREDIKSI PERMINTAAN KREDIT MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI SAMUEL ANTHONIUS MADUWU
PREDIKSI PERMINTAAN KREDIT MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI SAMUEL ANTHONIUS MADUWU 091402118 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
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. 1, (Sept, 2012) ISSN: A-403
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 201-9271 A-0 Implementasi Fuzzy Neural Network untuk Memperkirakan Jumlah Kunjungan Pasien Poli Bedah di Rumah Sakit Onkologi Surabaya Ani Rahmadiani dan Wiwik
Lebih terperinciModel Regresi Linear Produksi Padi di Indonesia dengan Estimasi-M
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 1, May 2007, 39 46 Model Regresi Linear Produksi Padi di Indonesia dengan Estimasi-M Hasih Pratiwi, Yuliana Susanti, dan Monaluvy Septiningrum Jurusan
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 terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:
ISSN: 2339-254 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 205, Halaman 957-966 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian PREDIKSI NILAI KURS DOLLAR AMERIKA MENGGUNAKAN EXPONENTIAL SMOOTHING
Lebih terperinciPEMODELAN PERAMALAN DEBIT SUNGAI JIANGWAN PROVINSI ZHEJIANG RRT DENGAN METODE ESIM
SKRIPSI PEMODELAN PERAMALAN DEBIT SUNGAI JIANGWAN PROVINSI ZHEJIANG RRT DENGAN METODE ESIM GILBERT NPM : 2013410124 PEMBIMBING : Doddi Yudianto, Ph.D. KO-PEMBIMBING : Andreas Franskie Van Roy, Ph.D. UNIVERSITAS
Lebih terperinci1 Pendahuluan. 1.1 Latar Belakang Masalah
1 Pendahuluan 1.1 Latar Belakang Masalah Kebutuhan masyarakat akan perkiraan cuaca terutama curah hujan ini menjadi sangat penting untuk merencanakan segala aktifivitas mereka. Curah hujan juga memiliki
Lebih terperinciBAB 2 LANDASAN TEORITIS
BAB 2 LANDASAN TEORITIS 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksikan apa yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN PERMINTAAN BARANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 3, September 2016, hlm. 169-173 PENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN
Lebih terperinciHALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK
HALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK Oleh: MOH SHOCHWIL WIDAT 2011-51-034 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
Lebih terperinciPEMODELAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS)
PEMODELAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) SKRIPSI Oleh: NDARU DIAN DARMAWANTI 24010210141010 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penelitian di bidang metode peramalan terhadap data runtun waktu keuangan (financial time series forecasting) selalu menjadi bahasan yang menarik. Hal ini disebabkan
Lebih terperinciPERBANDINGAN METODE KDDA MENGGUNAKAN KERNEL RBF, KERNEL POLINOMIAL DAN METODE PCA UNTUK PENGENALAN WAJAH AKIBAT VARIASI PENCAHAYAAN ABSTRAK
PERBANDINGAN METODE KDDA MENGGUNAKAN KERNEL RBF, KERNEL POLINOMIAL DAN METODE PCA UNTUK PENGENALAN WAJAH AKIBAT VARIASI PENCAHAYAAN Jurusan Teknik Elektro, Fakultas Teknik Jl. Prof. Drg. Suria Sumantri
Lebih terperinciABSTRAK PERAMALAN KURS RUPIAH TERHADAP US DOLLAR MENGGUNAKAN METODE HIBRID
ABSTRAK PERAMALAN KURS RUPIAH TERHADAP US DOLLAR MENGGUNAKAN METODE HIBRID Peramalan adalah bagian integral dari kegiatan pengambilan keputusan manajemen. Ramalan yang dilakukan umumnya berdasarkan pada
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Sungai Bengawan Solo adalah sungai terpanjang di Pulau Jawa, Indonesia dengan panjang sekitar 548,53 km. Wilayah Sungai Bengawan Solo terletak di Propinsi Jawa Tengah
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 terperinciProsiding Seminar Nasional Hasil-Hasil PPM IPB 2016 Hal : 1 7 ISBN :
Hal : 1 7 ISBN : 978-62-8853-29-3 MODEL LINIER BERDASARKAN SEBARAN GAMMA DENGAN REGULARISASI PERSENTIL L1 DAN L2 UNTUK PENDUGAAN CURAH HUJAN EKSTRIM (Linear Model based on Gamma Distribution with Percentile
Lebih terperinci