BAB 2 LANDASAN TEORI
|
|
- Johan Rachman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 (RBF) Produksi Kelapa Sawit Kelapa sawit terdiri daripada dua spesies Arecaceae atau famili palma yang digunakan untuk pertanian komersil dalam pengeluaran minyak kelapa sawit. Pohon Kelapa Sawit Afrika, Elaeis guineensis, berasal dari Afrika barat di antara Angola dan Gambia, manakala pohon kelapa sawit Amerika, Elaeis oleifera, berasal dari Amerika Tengah dan Amerika Selatan. Bagian yang paling utama pada industry kelapa sawit adalah buah dari kelapa sawit. Bagian daging buah menghasilkan minyak kelapa sawit mentah yang diolah menjadi bahan baku minyak goreng. Untuk memenuhi permintaan minyak kelapa sawit diperlukan produksi kelapa sawit pada industri kelapa sawit. Produksi minyak kelapa sawit merupakan hasil panen buah kelapa sawit dari suatu area perkebunan kelapa sawit. Produksi kelapa sawit merupakan sumber penghasilan utama dalam perusahaan. Perlu adanya penyusunan biaya produksi untuk mendapatkan produksi kelapa sawit yang tinggi. Hal ini dikarenakan jika produksi kelapa sawit tinggi maka keuntungan perusahaan dari penjualan hasil produksi akan meningkat. Penyusunan biaya produksi perusahaan memerlukan peramalan produksi kelapa sawit sebagai target produksi agar anggaran yang dikeluarkan oleh perusahaan menjadi optimal karena pengeluaran perusahaan disesuaikan berdasarkan kemungkinan produksi perusahaan dalam setahun.
2 8 Beberapa faktor yang mempengaruhi produksi kelapa sawit menurut Septianita (2009) yaitu luas produksi, tenaga kerja, bibit, pupuk urea dan herbisida. Dari penelitian tersebut diketahui bahwa luas produksi berpengaruh secara signifikan terhadap produksi terlihat bahwa tingkat penggunaan lahan pada usaha tani kelapa sawit menunjukkan adanya penambahan faktor tersebut terhadap peningkatan faktor produksi. Faktor lain seperti tenaga kerja juga berpengaruh terhadap produksi namun tidak signifikan karena faktor produksi sudah maksimal jika ditambah satu persen maka hanya akan menurunkan tingkat produksi Data Mining Data mining merupakan proses kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan pola atau hubungan dalam set data berukuran besar. Pengenalan pola merupakan bagian dari data mining. Pengenalan pola melakukan pengelompokkan objek ke berbagai kelas dan dari data tersebut dapat diketahui kecendrungan pola. Pengenalan pola mengacu kepada kasus klasifikasi dan regresi (Santosa, 2007). Tugas utama dari data mining dibagi menjadi dua yaitu descriptive dan predictive. Descriptive merupakan kemampuan untuk mengidentifikasi keunikan data, pola, trend, hubungan dan anomaly pada data. Descriptive dibagi menjadi asosiasi, segmentasi dan clustering. Predictive merupakan pengembangan model dari beberapa fenomena yang memungkinkan dilakukan estimasi nilai dan prediksi untuk masa depan. Predictive dibagi menjadi klasifikasi dan regresi. Regresi termasuk kepada estimasi dan peramalan atau prediksi (Myatt & Johnson, 2009). Atribut dibutuhkan untuk proses data mining. Atribut disebut sebagai variabel dan ada juga yang menyebutnya dengan fitur. Variabel-variabel yang akan digunakan, akan dikelompokkan menjadi input dan output. Format data akan dinyatakan dalam bentuk matrik dimana baris menyatakan objek atau observasi dan kolom dinyatakan variabel (Santosa, 2007). Metode dalam data mining untuk memproses data-data yang ada dibagi menjadi dua pendekatan yaitu supervised dan unsupervised. Supervised learning merupakan pembelajaran yang terawasi, sehingga membutuhkan data untuk pelatihan
3 9 dan pengujian. Unsupervised learning merupakan pembelajaran yang tidak terawasi sehingga metode yang diterapkan tanpa ada proses pelatihan Data Cleaning Menurut Myatt dan Johnson (2009) sebelum memproses data diperlukan cleaning data pada data tabel untuk mengidentifikasi data. Tujuannya adalah untuk menghindari data error, tidak ada entri data dan data yang hilang. Nilai pada data sering hilang pada tabel data, tetapi pendekatan data mining tidak dapat diproses sampai kasus ini diselesaikan. Ada lima pilihan untuk melakukan cleaning data yaitu menghapus data yang memiliki nilai kosong pada tabel data, menghapus variabel yang memiliki data kosong pada tabel data, mengganti nilai data dengan nilai komputasi, mengganti nilai data dengan nilai secara prediksi pada model yang umum menggunakan field yang lain pada data tabel. Situasi yang sama jika terjadi hilang data ketika variabel yang dimaksudkan diperlakukan sebagai variabel angka berisi nilai teks, atau angka spesifik yang memiliki arti khusus. Teks atau angka spesifik kemungkinan akan dijadikan nilai angka untuk menggantikan teks dan angka spesifik. Masalah lain muncul ketika nilai dengan data tabel salah. Nilai mungkin menjadi salah sebagai hasil dari data entri yang error. Keluaran pada data mungkin error dan dapat ditemukan menggunakan metode yang berbeda berdasarkan variabel, sebagai contohnya menghitung nilai score a-z untuk nilai masing-masing yang merepresentasikan nilai standar deviasi dari nilai mean. Ploting data menggunakan box plot atau frekuensi histogram dapat mengidentifikasi nilai data yang signifikan dari nilai mean. Variabel noise yang berisi sudut error digantikan variabel dengan versi biner yang lebih merepresentasikan secara akurat variasi data yang mungkin dibutuhkan, proses ini disebut data smoothing. Metode yang lainnya, seperti visualisasi data, clustering, dan model regresi dapat juga digunakan untuk mengidentifikasi anomali data yang terlihat tidak sama dengan data lainnya atau yang tidak cocok dengan data trend untuk data mayoritas.
4 Data Selecting Data selecting dilakukan untuk memilih variabel data yang akan digunakan dan membagi data menjadi data latih dan data uji. Menurut Kaastra dan Boyd (1996) ada dua tipe pemilihan variabel yaitu teknikal input dan fundamental input. Teknikal input adalah penetapan nilai variabel yang berpengaruh atau indikator perhitungan dari nilai yang lalu, sedangkan fundamental input adalah penetapan variabel ekonomis yang dipercaya mempengaruhi variabel output dan mungkin membantu peningkatan prediksi. Pembagian data dalam data mining menurut Kaastra dan Boyd (1996) dibagi menjadi tiga yaitu a. Training data (data latih) Data latih terdiri dari data set yang banyak. Biasanya digunakan oleh jaringan saraf untuk melakukan pengenalan pola. b. Testing data (data uji) Data uji berjumlah 10-30% data dari training set. Data Uji digunakan untuk mengevaluasi kemampuan jaringan saraf setelah dilatih. c. Validation data (data validasi) Data validasi digunakan untuk pengecekan akhir kemampuan jaringan saraf yang telah dilatih Tranformasi Data Transformasi data dibutuhkan untuk membuat variabel baru dari kolom data yang sudah ada untuk merefleksikan lebih dekat tujuan dari projek atau pendekatan kualitas prediksi. Sebuah data ditransformasi agar dapat digunakan untuk beberapa analisis teknik terutama pada bidang analisis data. Transformasi data digunakan untuk mengatur nilai yang diukur pada suatu skala menjadi nilai yang lebih kecil sehingga seluruh atribut data memiliki jangkauan yang lebih kecil dalam jangkauan nilai 0 sampai 1 (Siang, 2012). Ada beberapa rumusan transformasi data yang dapat digunakan menurut Siang (2012) seperti berikut ini.
5 11 1. Transformasi polinomial x = ln x (2.1) Dengan, x = nilai data setelah transformasi polynomial x = nilai data pada data aktual 2. Transformasi normal Dengan, x = x = nilai data setelah transformasi normal x 0 = nilai data pada data aktual x min = nilai minimum pada data aktual x max = nilai maksimum pada data aktual x 0 x min x max x min (2.2) 3. Transformasi linear Transformasi nilai data pada interval [0.1,0.9] Dengan, x = 0.8 ( x a) b a (2.3) x = nilai data setelah transformasi linear x = nilai data pada data aktual a = nilai minimum data aktual b = nilai maksimum data aktual Peramalan Peramalan adalah suatu kegiatan bisnis yang memperkirakan penjualan, penggunaan suatu produk sehingga produk tersebut dapat dibuat dalam kuantitas yang tepat (Gaspersz, 2010). Dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variabel peramalan berdasarkan data masa lalu.
6 12 Menurut Gaspersz (2010), langkah-langkah yang harus dilakukan dalam menjamin efisiensi untuk melakukan peramalan. Langkah-langkah tersebut adalah sebagai berikut. 1. Menentukan tujuan peramalan 2. Memilih item yang akan diramalkan 3. Menentukan rentang waktu peramalan 4. Memilih model peramalan 5. Mengumpulkan dan menganalisis data 6. Validasi model peramalan 7. Membuat peramalan 8. Implementasi hasil peramalan 9. Memantau keandalan hasil peramalan Peramalan dilakukan berdasarkan jangka waktu yang diperlukan. Peramalan ini dilakukan untuk mengambil keputusan sehingga peramalan ini menghasilkan suatu kemungkinan keadaan yang akan terjadi. Berdasarkan horison waktu, peramalan dapat dikelompokkan dalam tiga bagian (Herjanto, 2006), yaitu: 1. Peramalan jangka pendek, jangka waktu kurang dari tiga bulan. Misalnya, peramalan yang berhubungan dengan perencanaan pembelian material, penjadwalan kerja dan penugasan karyawan. 2. Peramalan jangka menengah, mencakup waktu antara 3 bulan sampai 18 bulan. Misalnya, peramalan perencanaan penjualan, perencanaan produksi dan perencanaan tenaga kerja tidak tetap. 3. Peramalan jangka panjang, mencakup waktu yang lebih besar dari 18 bulan. Misalnya peramalan yang diperlukan dalam kaitannya dengan penanaman modal, perencanaan fasilitas dan perencanaan kegiatan litbang. Pengumpulan data yang relevan berupa informasi yang dapat menghasilkan peramalan yang akurat. Pemilihan teknik peramalan yang tepat akan memanfaatkan informasi data yang diperoleh secara maksimal. Menurut Jumingan (2009) teknik peramalan berdasarkan sifatnya dapat dibedakan menjadi dua yaitu:
7 13 1. Teknik peramalan kualitatif Teknik kualitatif merupakan teknik peramalan yang bersifat subjektif berdasarkan pendapat dari suatu pihak atau berdasarkan hasil penelitian questioner yang telah dilakukan. Data pada teknik ini tidak dapat direpresentasikan secara tegas ke dalam suatu angka atau nilai. 2. Teknik peramalan kuantitatif Teknik kuantitatif merupakan teknik peramalan berdasarkan data masa lalu atau data historis dan dapat dibuat dalam bentuk angka. Dalam peramalan dikenal istilah prediksi. Prediksi merupakan suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu (Rambe, 2002). Data historis diolah secara sistematik dan digabungkan dengan suatu metode tertentu akan memperoleh prediksi keadaan pada masa datang. Prediksi ini menggunakan data kuantitatif sebagai pelengkap informasi melakukan peramalan (Herjanto, 2006). Peramalan menurut Heizer (2005) dapat dikelompokkan berdasarkan sumber peramalannya sebagai berikut. 1. Model data time series atau runtun waktu Model data time series merupakan suatu jenis peramalan secara kuantitatif. Model ini sering disebut model kuantitatif intrinsik. Tujuannya adalah menemukan pola dalam deret data historis dan mengekstrapolasikan pola dalam deret data tersebut ke pola data masa depan. 2. Model data causal Model data causal merupakan suatu jenis peralaman yang menggunakan hubungan sebab-akibat sebagai asumsi dari apa yang terjadi di masa lalu akan terulang kembali. Model ini disebut dengan peramalan kuantitatif ekstrasik, sesuai digunakan untuk pengambilan keputusan dan kebijakan. 3. Model data judgemental Model data judgemental merupakan suatu jenis peramalan yang mencakup untuk memasukkan faktor-faktor kualitatif atau subjektif ke dalam metode peramalan.
8 14 Model data time series dan causal digunakan sebagai metode peramalan kuantitatif. Pada umumnya metode peramalan causal meliputi faktor-faktor yang berhubungan dengan variabel yang diprediksi seperti analisi regresi sedangkan metode peramalan time series menggunakan data masa lalu yang telah dikumpulkan untuk dianalisis secara teratur dengan menggunakan teknik yang tepat (Sani, 2013). Hasilnya dapat dijadikan acuan untuk peramalan nilai di masa yang akan datang. Peramalan harus mendasarkan analisisnya pada pola data yang ada. Empat pola data yang lazim ditemui dalam peramalannya adalah sebagai berikut (Aryanto, 2012). 1. Pola data horizontal Pola ini terjadi bila data berfluktuasi di sekitar rata-ratanya. Produk yang penjualannya tidak meningkat atau menurun selama waktu tertentu termasuk jenis ini. Struktur datanya dapat digambarkan sebagai berikut ini. Jumlah Data Waktu Gambar 2.1 Pola Data Horizontal 2. Pola data musiman Pola musiman terjadi bila nilai data dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan atau hari-hari pada minggu tertentu). Struktur datanya dapat digambarkan sebagai berikut ini. Jumlah Data Waktu Gambar 2.2 Pola Data Musiman
9 15 3. Pola data siklis Pola ini terjadi bila data dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Struktur datanya dapat digambarkan sebagai berikut. Jumlah Data Waktu Gambar 2.3 Pola Data Siklis 4. Pola data trend Pola trend terjadi bila ada kenaikan atau penurunan sekuler jangka panjang dalam data. Struktur datanya dapat digambarkan sebagai berikut. Jumlah Data Waktu Gambar 2.4 Pola Data Trend 2.3. Jaringan Saraf Tiruan Jaringan saraf tiruan (Artificial Neural Network) adalah pemrosesan suatu informasi yang terinspirasi oleh sistem jaringan saraf biologis (Smith, 2003). Jaringan saraf tiruan juga merupakan cabang ilmu kecerdasan buatan dan alat untuk memecahkan masalah terutama di bidang-bidang yang melibatkan pengelompokan data yang memiliki kecendrungan untuk menyimpan pengetahuan yang bersifat pengalaman dan membuatnya untuk siap digunakan (Sutojo et al, 2011).
10 16 Jaringan saraf tiruan disusun dengan asumsi yang sama dengan jaringan saraf biologis karena pengolahan informasi terjadi pada elemen-elemen pemrosesan (neuron-neuron), sinyal antara dua buah neuron diteruskan melalui link koneksi, setiap link koneksi memiliki weight yang terasosiasi, dan setiap neuron menerapkan sebuah fungsi aktifasi terhadap input jaringan dengan tujuan agar dapat menentukan sinyal output (Puspitaningrum, 2006). Output Signal Input Signal Input Layer Middle Layer Output Layer Gambar 2.5 Arsitektur Umum Jaringan Saraf Tiruan Multilayer Cara belajar jaringan saraf tiruan dilakukan seperti berikut ini. 1. Pada jaringan saraf tiruan, node atau unit-unit input di-input kan informasi yang sebelumnya telah diketahui hasil keluarannya. 2. Weights antar koneksi dalam suatu arsitektur diberi nilai awal dan kemudian jaringan tersebut dijalankan. Weights ini digunakan untuk belajar dan mengingat suatu informasi. 3. Pengaturan weights dilakukan secara terus-menerus dan menggunakan kriteria tertentu sampai diperoleh keluaran yang diharapkan. Tujuan jaringan saraf tiruan dilatih adalah untuk mencapai keseimbangan antara memorisasi dan generalisasi. Kemampuan memorisasi dilakukan untuk memanggil kembali secara sempurna pola yang telah dipelajari. Kemampuan generalisasi dilakukan untuk menghasilkan respons yang bisa diterima terhadap polapola input yang serupa dengan pola-pola sebelumnya yang telah dipelajari. Sehingga, jaringan saraf tiruan akan tetap memberikan tanggapan yaing baik berupa keluaran yang paling mendekati walaupun informasi yang di-input kan adalah informasi baru.
11 17 Pada pembelajaran jaringan saraf tiruan, terdapat dua kelompok pembelajaran yaitu sebagai berikut. 1. Jaringan saraf tiruan umpan maju (feed-forward networks), merupakan graf yang tidak mempunyai loop dan bergerak maju. Contoh jaringan umpan maju adalah single-layer perceptron, multilayer perceptron dan radial basis fuction. 2. Jaringan saraf tiruan umpan balik (recurrent-feedback networks), merupakan graf yang memiliki loop koneksi balik. Contoh jaringan ini adalah competitive networks, kohonen s SOM, hopfield network, dan ART model. Pada feed-forward networks, diterapkan fungsi aktivasi kedalam weight dan input dilakukan perhitungan yang hasilnya dianggap sebagai sinyal berbobot yang diteruskan kelapisan di atasnya. Sinyal yang berbobot tersebut menjadi input bagi lapisan selanjutnya. Fungsi aktivasi diterapkan pada lapisan tersebut untuk menghitung output jaringan. Proses ini dilakukan terus menerus sampai kondisi berhenti terpenuhi. Kelebihan-kelebihan yang diberikan oleh jaringan saraf tiruan adalah sebagai berikut (Sutojo et al, 2011). 1. Belajar Adaptive yang merupakan kemampuan untuk mempelajari bagaimana melakukan pekerjaan berdasarkan data yang diberikan untuk pelatihan dan pengalaman awal. 2. Self-Organisation yang merupakan sebuah jaringan saraf tiruan dapat membuat representasi sendiri dari informasi yang diterimanya selama proses pembelajaran. 3. Real Time Operation yang merupakan perhitungan jaringan saraf tiruan dapat dilakukan secara parallel sehingga perangkat keras yang dirancang dan diproduksi secara khusus agar dapat mengambil keuntungan dan kemampuan ini. 2007). Kelemahan-kelemahan jaringan saraf tiruan adalah sebagai berikut (Kasabov,
12 18 1) Kesulitan memilih arsitektur dari system karena jaringan saraf tiruan memiliki arsitektur yang tetap dengan jumlah neuron serta koneksi yang tetap sehingga akan sulit untuk beradaptasi dengan informasi yang baru. 2) Dalam mempelajari data baru, jaringan akan cenderung melupakan pengetahuan yang lama. 3) Pelatihan pada jaringan akan memerlukan banyak iterasi serta propagasi data melalui struktur jaringan sehingga perlu waktu yang lama. 4) Kurangnya fasilitas representasi pengetahuan pada jaringan Radial Basis Function Radial basis function (RBF) merupakan sebuah fungsi yang dinyatakan dengan nilai yang bergantung pada jarak antar argumen atau jarak antara nilai center (Lukaszyk, 2004). Sama seperti multilayer perceptron (MLP) yang memiliki lapisan hidden dengan fungsi sigmoid yang dapat belajar dengan fungsi perkiraan, jaringan RBF menggunakan pendekatan yang sedikit berbeda. Menurut Bullinaria (2004) fitur utama RBF adalah sebagai berikut. 1. Terdapat dua layer yang bersifat feed-forward 2. Hidden node mengimplementasikan bagian RBF berupa fungsi Gaussian 3. Output node mengimplementasikan fungsi linear yang sama seperti MLP 4. Jaringan untuk pengujian dibagi menjadi dua bagian, yang pertama weight dari input ke hidden dan kemudian weight dari hidden ke output 5. Pengujian atau pembelajaran sangat cepat. 6. Interpolasi jaringan sangat baik Struktur jaringan RBF terdiri dari tiga layer yaitu input layer, hidden layer, dan output layer. Pada input layer terdiri dari source node (unit sensor) yang menghubungkan jaringan dengan lingkungannya. Pada layer kedua yang biasa disebut dengan hidden layer mengaplikasikan sebuah transformasi nonlinear dari input ke hidden, sehingga dibutuhkan sebuah metode unsupervised learning untuk mengaplikasikannya. Pada output layer berupa linear sehingga pada layer ini dibutuhkan metode supervised learning untuk prosesnya. Struktur jaringan RBF dapat dilihat pada Gambar 2.6.
13 19 X1 C1 φ1 H 1 X 1 φ2 w 1 w 0 1 X 2 φ3 w 2 w 3 w j Y X i φj H j Input Layer Hidden Layer Output Layer Gambar 2.6 Arsitektur Jaringan Radial Basis Function (Haykin, 2009) Pada jaringan RBF, hidden layer menggunakan biasanya fungsi Gaussian sebagai radial basis function. Fungsi Gaussian dinyatakan dengan, φ j = exp { X i C j 2 } (2.4) 2σ 2 dimana φ j adalah fungsi Gaussian dan σ adalah standar deviasi dari fungsi Gaussian ke j dengan nilai center (C j ). Fungsi σ dinyatakan dengan (Zhang & Li, 2012), σ = d max c j (2.5) dimana d max merupakan nilai jarak atau distance terbesar pada hidden j dan C j merupaka nilai center pada hidden j. Metode unsupervised learning yang digunakan untuk jaringan RBF biasanya adalah pendekatan K-Means. Pembelajaran dengan metode tersebut dilakukan untuk menentukan nilai center dan standar deviasi dari variabel input pada setiap node di hidden layer. Setelah mendapatkan nilai pada hidden node tahap selanjutnya hidden layer ke output layer yang menggunakan metode supervised learning dengan pembelajaran yang sama dengan MLP. Pada training set, elemen-elemennya terdiri dari unsur nilai variabel independen (input) dan variabel dependen (output). Sebagai contoh, hubungan variabel independen dengan fungsi aktivasi adalah sebagai berikut. y = f(x) (2.6)
14 20 dengan nilai x merupakan nilai vektor dan nilai y merupakan nilai skalar, dan nilai y bergantung kepada fungsi f dengan komposisi nilai x adalah sebagai berikut(orr, 1996). x = x 1 x 2... [ x n ] (2.7) Tahap Data Pre-processing Menurut Kaastra dan Boyd (1996) data pre-processing merupakan proses menganalisis dan mentransformasikan variabel input dan output untuk membantu jaringan mempelajari pola data. Data pre-processing dilakukan untuk: a. Meminimalisasikan data noise b. Menyoroti hubungan yang penting c. Mendeteksi tren d. Meratakan distribusi variabel Pada tahap pelatihan, data dikumpulkan untuk melakukan proses pelatihan. Data-data tersebut dirakit sebagai pra-proses time series data. Pada penelitian Hussein et al (2011), data tersebut direpresentasikan seperti Gambar 2.7. Gambar 2.7 Data Time Series Prediksi Harga Emas Pada Tahap Pelatihanuntuk Merepresentasikan Form Baris Waktu (Timeline) Hussein et al (2011) melakukan prediksi harga emas hari esok dengan menggunakan harga emas hari kemarin dan hari ini. Sehingga harga emas hari esok adalah output dan harga emas hari kemarin dan hari ini merupakan input. Misalkan input yang digunakan adalah 2 node dan menghasilkan 1 output. Penjelasan pemakaian data input dan output dapat dilihat pada Tabel 2.1
15 21 Tabel 2.1 Variabel Data yang digunakan Harga Penjelasan Variabel Harga kemarin Harga (n) dengan n = 1,2,3. Harga hari ini Harga (n+1) dengan n = 1,2,3. Harga esok hari Harga (n+2) dengan n = 1,2,3. Dan tahapan prediksi harga emas dapat dilihat pada Gambar 2.8 Gambar 2.8 Langkah-langkah Proses Pelatihan untuk Input dan Target Vektor Matriks (Hussein et al, 2011)
16 22 Pada gambar 2.11, vector matriks input terdiri dari baris dan kolom. Pada baris input, data yang ditunjukkan merupakan data yang digunakan untuk mencari nilai prediksi sedangkan untuk kolom (sama seperti pada vector matriks output) merupakan data yang akan digunakan untuk proses jaringan selanjutnya Tahap I: Input Layer ke Hidden Layer Dalam mendesain jaringan RBF, dibutuhkan suatu metode untuk menghitung nilai parameter dari unit Gaussian yang diperlukan di hidden layer dengan data yang tidak berlabel. Oleh karena itu diperlukan sebuah metode unsupervised learning yang berupa metode K-Means. Metode K-Means merupakan salah satu bentuk metode pemetaan pada dirinya sendiri (Self Organizing Map) yang juga dikembangkan dalam permodelan NN. Tahapan algoritma K-means clustering dapat dilakukan seperti yang di Gambar 2.9. MULAI Menentukan Banyaknya Cluster(k) Menentukan Center Nilai Center Berubah? Tidak SELESAI Ya Menghitung Jarak dari Center Mengelompokkan Data Berdasarkan Jarak Terdekat Gambar 2.9 Flowchart Algoritma K-Means Clustering
17 23 Pertama kali yang dilakukan dalam algoritma K-means clustering adalah menentukan kelompok atau cluster dengan syarat jumlah kelompok yang akan dibuat harus lebih kecil dengan jumlah data yang digunakan, kelompok pada jaringan radial basis function yang dimaksud adalah jumlah hidden yang akan digunakan. Kedua, menentukan nilai center secara acak. Ketiga, menghitung jarak data ke center digunakan Euclidean norm. Nilai Euclidean norm dapat dinyatakan dengan (Haykin,2009), d(x i, C j ) = X i C j 2 (2.8) dengan nilai Xi adalah nilai vector input dari data ke i dan nilai Cj adalah nilai vector dari center hidden ke j. Keempat, kelompokkan data sesuai dengan kelompoknya, yaitu data yang memiliki jarak terpendek pada masing-masing hidden (jumlah kelompok = jumlah hidden). Misalkan jumlah hidden adalah dua sehingga jumlah kelompok dua, ketika d(x 1,c 1 ) < d(x 1,c 2 ) maka nilai x 1 masuk ke kelompok 1 dan lakukan hal yang sama dengan data selanjutnya Kelima, memperbaharui nilai center dengan cara merata-ratakan nilai anggota kelompok yang dapat dinyatakan sebagai berikut. c j = 1 n x n i=1 i (2.9) i dengan n i merupakan jumlah anggota kelompok. Lakukan langkah pertama sampai kelima hingga nilai center tidak berubah lagi. Metode K-Means memiliki beberapa keuntungan penggunaan pada jaringan RBF ini, yaitu 1. Algoritma K-Means merupakan algoritma dengan komputasi yang efisien karena seluruh yang kompleks dijadikan linear pada angka cluster 2. Ketika cluster dengan lengkap didistribusikan datanya, maka akan dengan tepat di-recovery oleh algoritma tersebut.
18 Tahap II: Hidden Layer ke Output Layer Setelah K-Means digunakan pada input layer ke hidden layer maka proses selanjutnya hidden layer ke output layer yang merupakan pembelajaran terawasi yang sama seperti penggunaan pada MLP, output layer dilatih dengan menggunakan Least Means Square. Inisialisasi weight pada hidden layer sampai output layer dilakukan inisialisasi weight secara acak. Lalu dilakukan penghitungan seluruh output (Y k ) pada jaringan yang dinyatakan dengan (Haykin,2009), L Y k = j=1 φ j w kj (2.10) dimana, Y k = nilai node pada output k dari node hidden ke j L = nomor dari data pelatihan φ j = fungsi Gaussian pada node j w kj = nilai weight output dari node ke j pada hidden layer ke output k Setelah itu dilakukan langkah selanjutnya untuk menghitung error atau selisih hasil pada output Y k yang dinyatakan dengan, δ k = (t k Y k ) (2.11) dimana, δ k = unit kesalahan yang akan dipakai dalam perubahan weight layar t k = hasil normalisasi data dari data input. Y k = output pada node k Setelah tingkat kesalahan didapat tidak sesuai dengan yang diinginkan maka dihitung suku perubahan weight w kj (yang akan dipakai nanti pada saat merubah weight w kj ) dengan laju percepatan α yang dinyatakan dengan, w kj = αδ k φ k (2.12) Pada fase ini tidak dilakukan perhitungan kesalahan pada hidden layer. Hal ini dilakukan karena pada saat input layer ke hidden layer sudah dilakukan fungsi
19 25 objektif dari algoritma K-means sehingga nilai yang didapat sudah sesuai. Lalu tahap selanjutnya adalah tahap perubahan weight dengan menghitung semua perubahan weight w kj yang dinyatakan dengan, w kj (baru) = w kj (lama) + w kj (2.13) Proses tersebut terus dilakukan sampai weight(w kj ) tidak berubah lagi Menghitung Nilai Error Menghitung nilai error sangat penting untuk melihat hasil pelatihan pada jaringan sarat tiruan. Hal ini dikarenakan pada tahap pelatihan nilai error yang diharapkan adalah nilai yang paling kecil. Output error adalah perhitungan error yang merupakan hasil dari perbedaan nilai target dan nilai output yang didapat. Nilai ini akan digunakan untuk menghitung nilai error. The Means Absolute Percentage Error (MAPE) merupakan metode perhitungan error untuk mengevaluasi metode peramalan. Pendekatan ini menghitung kesalahan peramalan yang besar karena nilai output error yang didapat dari perbedaan antara target dan output dibagi nilai target. Perhitungan nilai MAPE dapat dinyatakan sebagai berikut. y t y t MAPE = 1 n n t=1 100% (2.14) y t 2.4. Penelitian Terdahulu Berikut ini adalah penjelasan mengenai penelitian terdahulu dari kasus penelitian kelapa sawit dan jaringan saraf radial basis function Penelitian kasus prediksi produksi kelapa sawit Penelitian mengenai prediksi produksi kelapa sawit sudah pernah dilakukan. Metode prediksi yang dilakukan pada penelitian-penelitian tersebut menggunakan metode time-series dan juga menggunakan metode statistik. Hermanto dan Purnawan (2009) mengenai prediksi produksi menggunakan jaringan saraf tiruan dengan algoritma backpropagation. Penelitian tersebut menggunakan tujuh data sebagai variabel berdasarkan kualitas lahannya yaitu curah
20 26 hujan, ketinggian dari permukaan laut, kelerengan, umur tanaman, batuan, solium, dan keasaman tanah. Percobaan dengan beberapa layer untuk mendapatkan hasil terbaik yaitu 3 layer, 4 layer dan 5 layer. Hasil terbaik didapat pada percobaan 3 layer pada iterasi ke 30000, dengan laju pembelajaran sebesar 0.9, dan momentum sebesar 0.9. Hasil pelatihan yang didapat dengan R 2 = dan RMSE = dan hasil pengujian dengan R 2 = dan RMSE = Penelitian lain dilakukan Bando (2012) menggunakan metode ARIMA untuk memprediksi curah hujan dengan produksi kelapa sawit. Tahapan yang dilakukannya sebagai berikut. 1. Tahap identifikasi Pada tahap identifikasi dilakukan perumusan kelompok model-model yang umum. Kemudian melakukan penetapan model untuk sementara. 2. Penaksiran parameter dan pengujian Tahap ini dilakukan penaksiran parameter sementara. Kemudian diperiksa apakah model tersebut memadai. Jika ya, maka tahap lanjut ke penerapan. Namun, jika tidak maka tahapan mengulang ke penaksiran parameter. 3. Penerapan Pada tahap ini dilakukan model untuk peramalan. Data yang digunakan ada dua yaitu data curah hujan dan data produksi. Lalu data-data tersebut digunakan dengan metode ARIMA untuk mendapatkan hasil peramalan selanjutnya. Kacaribu (2013) menggunakan dua metode untuk membandingkan prediksi produksi kelapa sawit yaitu menggunakan metode causal berupa regresi ganda dan metode time-series berupa exponential smoothing. Adapun tahapan-tahapan yang dilakukannya sebagai berikut. 1. Identifikasi masalah 2. Mengumpulkan dan mempersiapkan data untuk dianalisis 3. Mengolah data (dengan menggunakan regresi ganda dan exponential smoothing) 4. Melakukan pengujian untuk metode regresi ganda 5. Menghitung nilai MAPE untuk masing-masing metode
21 27 6. Menentukan metode yang cocok untuk peramalan 7. Membuat program aplikasi 8. Kesimpulan Tabel 2.2 Penelitian Terdahulu Peneliti No (Tahun) 1 Hermanto & Purnawan (2009) Teknik yang Kelemahan Digunakan Backpropagation Melakukan percobaan sebanyak 3 kali dengan layer yang berbeda dan banyak iterasi untuk mendapatkan hasil terbaik Error RMSE = Bando ARIMA Hanya meneliti untuk memeriksa - (2012) keterhubungan curah hujan dengan hasil produksi 3 Kacaribu Regresi Ganda Kurangnya variabel yang MAPE regresi (2013) dan Exponential dibutuhkan untuk dianalisis = % Smoothing sehingga adanya kemungkinan MAPE ES variabel independen lain yang pertahun = lebih berpengaruh 12.78% Penelitian kasus prediksi dengan menggunakan Radial Basis Function Prediksi menggunakan jaringan RBF ini telah digunakan di beberapa peramalan seperti peramalan saham, banjir, finansial, dan lainnya. Pada peramalan saham, Tan et al (2012) melakukan peramalan dengan model jaringan RBF dan mendapatkan hasil yang baik yang dapat dilihat dari hasil error nilai prediksinya. Model jaringan RBF ini malalui dua tahap yaitu klustering dan penentuan weight. Pada pelatihan, klustering akan berhenti jika nilai error yang dihasilkan program lebih kecil dari nilai toleransi yang ditetapkan. Sedangkan penentuan weight hanya dilakukan satu kali.
22 28 Pada penelitian Jayawerdana et al (1997), RBF digunakan untuk memprediksi level air saat terjadi musim hujan. Hasil prediksi dinyatakan jaringan RBF yang menggunakan metode K-Means lebih baik daripada MLP dengan algoritma backpropagation. Jaringan RBF berbasis linear dalam parameter dan menjamin nilainilai optimal. Pengembangan model jaringan RBF memerlukan sedikit trial and error sehingga peramalan yang dilakukan hanya memerlukan sedikit waktu dan usaha dari pada penggunaan jaringan MLP dengan pendekatan bacpropagation. Pada penelitian Husein et al (2011), peneliti menampilkan pemakaian data untuk jaringan saraf RBF dan juga membandingkan nilai yang didapat dengan menggunakan tiga metode yaitu Single Radial Basis Function Network, Multiple Radial Basis Function Network dan Auto Regressive Model. Dari ketiga metode tersebut performa terbaik dihasilkan pada metode Auto Regressive Model lalu Multiple Radial Basis Function Network. Berdasarkan ketiga penelitian tersebut dapat dijadikan acuan penggunaan jaringan RBF dalam melakukan peramalan.
BAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN Bab ini akan membahas mengenai latar belakang penelitian, rumusan masalah, tujuan penelitian, batasan masalah, manfaat penelitian dan sistematika penulisan. 1.1. Latar Belakang Kelapa
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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciBAB 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 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 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 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Klasifikasi Klasifikasi adalah sebuah proses untuk menemukan sebuah model yang menjelaskan dan membedakan konsep atau kelas data dengan tujuan memperkirakan kelas dari suatu objek
Lebih terperinciNeural Networks. 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 IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih 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 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 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 ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
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 terperinciPERAMALAN PRODUKSI CABAI RAWIT DENGAN NEURAL NETWORK Muhammad Fajar
PERAMALAN PRODUKSI CABAI RAWIT DENGAN NEURAL NETWORK Muhammad Fajar Abstrak Tujuan penelitian ini untuk melakukan peramalan produksi cabai rawit dengan menggunakan neural network. Data yang digunakan dalam
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 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 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 terperinciNeural Network (NN) Keuntungan penggunaan Neural Network : , terdapat tiga jenis neural network Proses Pembelajaran pada Neural Network
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciFarah Zakiyah Rahmanti
Farah Zakiyah Rahmanti Latar Belakang Struktur Dasar Jaringan Syaraf Manusia Konsep Dasar Permodelan JST Fungsi Aktivasi JST Contoh dan Program Jaringan Sederhana Metode Pelatihan Supervised Learning Unsupervised
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 terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Data Data adalah kumpulan kejadian yang diangkat dari suatu kenyataan (fakta),at berupa angka-angka, huruf, simbol-simbol, atau gabungan dari ketiganya. Dalam perkembangan selanjutnya,
Lebih terperinciLEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA
LEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA 1,2,3 Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara e-mail: edgar.audela.bb@students.usu.ac.id,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Konsep Peramalan Peramalan ( forecasting) merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang ekonomi. Dalam organisasi modern
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2. Jaringan Saraf Tiruan Jaringan saraf tiruan (JST) pertama kali diperkenankan oleh McCulloch dan Walter Pitts pada tahun 943. Jaringan saraf tiruan merupakan suatu sistem pemrosesan
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih 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 terperinciKLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF
KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih 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 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 terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
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 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Pola Pengenalan pola (pattern recognition) adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur atau sifat
Lebih terperinciBAB 1 PENDAHULUAN 1.1 LATAR BELAKANG
BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
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 VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. dengan kasus atau metode yang akn diteliti. Pemanfaatan metode multilayer
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Penelitian ini menggunakan beberapa sumber pustaka yang berhubungan dengan kasus atau metode yang akn diteliti. Pemanfaatan metode multilayer
Lebih terperinciEstimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan
Estimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan Andi Ihwan 1), Yudha Arman 1) dan Iis Solehati 1) 1) Prodi Fisika FMIPA UNTAN Abstrak Fluktuasi suhu udara berdasarkan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka berpikir Perubahan nilai tukar rupiah terhadap mata uang asing tidak dapat dihindari. Untuk mengatasi perubahan yang tidak pasti ini diperlukan suatu prediksi.
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciPerancangan dan Pembuatan Aplikasi Untuk Mengukur Efektivitas Produksi Berdasarkan Permintaan Pelanggan Dengan Metode Radial Basis Function
38 Perancangan dan Pembuatan Aplikasi Untuk Mengukur Efektivitas Produksi Berdasarkan Permintaan Pelanggan Dengan Metode Radial Basis Function Bagus Sayekti Sujatmiko Program Studi Sistem Informasi BagusBayekGilbert@gmail.com
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 terperinciNEURAL NETWORK BAB II
BAB II II. Teori Dasar II.1 Konsep Jaringan Saraf Tiruan (Artificial Neural Network) Secara biologis jaringan saraf terdiri dari neuron-neuron yang saling berhubungan. Neuron merupakan unit struktural
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
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
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 terperinciGambar 2.1 Neuron biologi manusia (Medsker & Liebowitz, 1994)
BAB 2 LANDASAN TEORI 2.1. Jaringan Saraf Biologi Manusia Otak manusia memiliki struktur yang sangat kompleks, serta memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-31
JURNAL SAINS DAN SENI ITS Vol 4, No2, (2015) 2337-3520 (2301-928X Print) A-31 Perbandingan Performansi Metode Peramalan Fuzzy Time Series yang Dimodifikasi dan Jaringan Syaraf Tiruan Backpropagation (Studi
Lebih 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 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 terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN 1.1 Latar belakang Hujan merupakan salah satu unsur iklim yang berpengaruh pada suatu daerah aliran sungai (DAS). Pengaruh langsung yang dapat diketahui yaitu potensi sumber daya air. Besar
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 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 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 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pengklasifikasian merupakan salah satu metode statistika untuk mengelompok atau menglasifikasi suatu data yang disusun secara sistematis. Masalah klasifikasi sering
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Barcode Salah satu obyek pengenalan pola yang bisa dipelajari dan akhirnya dapat dikenali yaitu PIN barcode. PIN barcode yang merupakan kode batang yang berfungsi sebagai personal
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 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 terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciBAB III 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 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 terperinciPERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP)
PERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP) Apriliyah, Wayan Firdaus Mahmudy, Agus Wahyu Widodo Program Studi Ilmu Komputer Fakultas MIPA Universitas
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciCombined for Time Series Forecasting
RBF and ARIMA Combined for Time Series Forecasting Dian Tri Wiyanti Teknik Informatika Universitas Semarang Semarang, Indonesia deediy87@gmailcom Reza Pulungan Jurusan Ilmu Komputer dan Elektronika FMIPA
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih 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 terperinci2.1 Definisi Operasional Indikator Pemerataan Pendidikan
BAB II TINJAUAN PUSTAKA 2.1 Definisi Operasional Indikator Pemerataan Pendidikan Pendidikan di Indonesia diselenggarakan sesuai dengan sistem pendidikan nasional yang ditetapkan dalam UU No. 20 tahun 2003
Lebih terperinciJaringan Syaraf Tiruan
07/06/06 Rumusan: Jaringan Syaraf Tiruan Shinta P. Sari Manusia = tangan + kaki + mulut + mata + hidung + Kepala + telinga Otak Manusia Bertugas untuk memproses informasi Seperti prosesor sederhana Masing-masing
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Kelapa sawit (Elaeis Guineensis) merupakan salah satu komoditas ekspor perkebunan terbesar di Indonesia. Indonesia mempunyai struktur tanah serta curah hujan yang
Lebih terperinciANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN
ANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN Abstrak Vinsensius Rinda Resi - NIM : A11.2009.04645 Program Studi Teknik
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 terperinci