PREDIKSI TREN PENJUALAN LPG MENGGUNAKAN ANFIS LPG SALES TREND PREDICTION USING ANFIS
|
|
- Widya Dharmawijaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PREDIKSI TREN PENJUALAN LPG MENGGUNAKAN ANFIS LPG SALES TREND PREDICTION USING ANFIS Ariyanto Nugroho 1, Mauridhi Hery Purnomo 2 1)Program Studi Magister Manajemen Teknologi, Institut Teknologi Sepuluh Nopember osramsoft@yahoo.com 2) Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember Jl Raya ITS - Surabaya, 60111, Indonesia hery@ie.its.ac.id ABSTRAK LPG merupakan salah satu produk yang menjadi kebutuhan pokok masyarakat, sehingga harus selalu dapat ditemui dengan mudah di pasar. Dalam rangka pemenuhan kebutuhan tersebut tentunya dibutuhkan suatu teknik perencanaan yang baik guna mendapatkan hasil yang mendekati jumlah realisasinya untuk meminimalkan biaya operasionalnya. Sehubungan dengan hal tersebut, pada penelitian kali ini dipergunakan metode ANFIS yang merupakan sistem dengan struktur jaringan yang dilengkapi dengan node node adaptif sehingga dapat disesuaikan dengan obyek yang diolah, dengan tujuan didapatkan prediksi tren yang mendekati nilai realisasinya. Penelitian ini bertujuan untuk melakukan prediksi tren penjualan LPG berkaitan dengan beberapa kejadian penting, misalnya bulan puasa, perayaan hari raya, pelaksanaan libur nasional dan kejadian penting lainnya. Penelitian ini diawali dengan pengambilan data penjualan pada LPG filling point, selanjutnya angka penjualan tersebut disesuaikan untuk dijadikan masukan sistem ANFIS. Keluaran sistem ANFIS ini selanjutnya dilakukan perhitungan kemampuan prediksinya dengan menggunakan perhitungan ROC, hasil menunjukkan efisiensi sebesar 66,87 %. Kata kunci : filling point, tren, ANFIS, libur, ROC PENDAHULUAN Saat ini, LPG merupakan salah satu kebutuhan pokok masyarakat Indonesia, seiring dengan keberhasilan pelaksanaan Program Konversi Minyak Tanah ke LPG. Pengguna LPG tidak hanya sebatas rumah tangga kecil penerima paket konversi saja, melainkan juga rumah tangga menengah, restoran, hotel dan industri lainnya. Oleh karenanya, produk yang beredar dipasar terdapat beberapa ukuran, yaitu kemasan dalam tabung ukuran 3 Kg (bersubsidi), 9 Kg, 12 Kg, 50 Kg dan dalam bentuk bulk (curah) untuk industri. Adanya disparit as harga antara produk subsidi dan non subsidi tentunya dapat dijadikan dasar pertimbangan bagi konsumen untuk melakukan pemilihan produk yang dibutuhkan, adapun dari sisi pemasok, hal tersebut justru memberikan tantangan supaya kebutuhan produk di pasar dapat dijaga dan tidak terjadi kelangkaan. Selain itu, apabila dicermati lebih lanjut akan muncul beberapa variable lain yang dapat saja berpengaruh signifikan terhadap tren penjualan LPG (Edvin Aldrian dan Yudha Setiawan Djamil, 2008). Instalasi pengisian LPG tidak beroperasi setiap hari, melainkan terdapat hari libur tidak melakukan pelayanan pada hari minggu dan hari besar nasional lainnya. Guna menghadapi pelaksanaan libur nasional tersebut, maka diperlukan strategi tertentu guna menjaga ketersediaan stok di pasar sehingga kelangkaan produk dapat dihindari. Oleh karenanya, maka munculah tren tertentu terkait penyaluran produk LPG di masyarakat, terutama jika pelaksanaan libur nasional tersebut berdekatan dengan hari minggu yang merupakan hari libur A-3-1
2 operasional secara rutin. Pada sekitar waktu tersebut tentunya terjadi lonjakan permintaan guna pemenuhan stok bagi para distributor LPG. Mengacu pada kondisi tersebut, selanjutnya diperlukan suatu metode prediksi terhadap tren kebutuhan LPG guna menjaga ketersediaan stok dipasar dan antisipasi terhadap hal negatif lainnya. Hasil prediksi ini akan sangat berguna pada kondisi kondisi tertentu, misalnya ketika terdapat hari libur karena perayaan hari besar nasional, terlebih jika hari libur tersebut berdekatan dengan hari Minggu dimana pada hari tersebut jaringan distribusi LPG tidak beroperasi. Karena dituntut untuk menjaga ketersediaan stok dipasar, maka hasil prediksi ini dapat digunakan sebagai acuan untuk melakukan tindakan tertentu bagi para pelaku distribusi LPG. Sehubungan dengan hal tersebut, maka diperlukan suatu metode yang dapat bekerja pada sistem non-linear. Oleh karena itu maka pada penelitian kali ini dipergunakan metode ANFIS yang merupakan suatu sistem jaringan adaptif untuk dipergunakan sebagai sistem pengolah data untuk proses prediksi tren dimaksud, dengan harapan diperoleh sutu metode prediksi yang mendekati nilai realisasinya (G. Atsalakis dan C. Minoudaki, 2007). Hal ini didukung oleh penelitian sebelumnya terkait dengan penggunaan ANFIS untuk prediksi, diantaranya adalah prediksi kecepatan angin secara harian (Fernando Castellanos dan Nickel James, 2009), prediksi curah hujan (Edvin Aldrian dan Yudha Setiawan Djamil, 2008), dimana kedua hal tersebut merupakan proses stokastik yang dipengaruhi oleh beberapa parameter yang senantiasa berubah ubah. Selain itu juga dipergunakan untuk prediksi intensitas cahaya (Ciji Pearl Kurian dkk, 2006), bahkan pada bidang ekonomi makro Ali Yosefian dkk, (2009), dengan pertimbangan bahwa jika dibandingkan dengan Fuzzy Logic Controller, ANFIS lebih mudah dibuat karena dalam hal desain lebih sederhana dan jika dibandingkan dengan Artificial Neural Network, ANFIS mempunyai parameter yang lebih sedikit namun mempunyai identifikasinya lebih cepat. KONSEP PREDIKSI TREN PENJUALAN LPG Guna didapatkan hasil prediksi tren yang mendekati nilai realisasinya, maka konsep prediksi yang dipergunakan pada penelitian ini adalah penggunaan data data terkait untuk dipergunakan sebagai masukan sistem pengolah utama berupa ANFIS dan selanjutnya hasil keluaran ANFIS dilakukan perhitungan guna diketahui ketepatan prediksi trennya, adapun metode yang dipergunakan adalah ROC. Metode ANFIS Metode ANFIS yang dipergunakan pada penelitian kali ini ditujukan untuk pengolahan data data input berupa data realisasi penjualan produk harian, inflasi, Indeks Harga Konsumen (IHK), curah hujan dan hasil pengolahan tren hari hari sebelumnya, yaitu jika terjadi penurunan maka diberikan nilai 0 (nol) dan jika terjadi peningkatan maka diberika n nilai 10 (sepuluh), kemudian nilai nilai tersebut dijumlahkan sesuai jumlah hari yang dikehendaki, jumlah hari tersebut selanjutnya disebut sebagai ROLE. Adapun arsitektur ANFIS yang dipergunakan mengacu pada desain ANFIS yang dikemukakan oleh Wang (1997) disajikan pada Gambar 1. A-3-2
3 Ax W 1 π N W 1f 1 Σ Σw if i X Ay f y Bx By W 2 Wπ W 2f 2 N Σ ΣW i Gambar 1 Arsitektur ANFIS (Wang, 1997) Operasi pada tiap layer : Lapisan 1 : mentransmisikan secara langsung input yang masuk, setiap node pada layer ini adalah node adaptive, dengan fungsi node : O1,i = μai(x), untuk i =1,2 atau O1,i = μbi(x) untuk i = 3, 4. Node-node pada layer ini berperan sebagai membership function untuk menyatakan istilah linguistik dari variabel masukan, untuk fungsi Gaussian: μ = exp[-(x-x1 -j ) 2 / σ1 j2 ] Lapisan 2 : Setiap simpul adalah simpul tetap yang diberi simbul π. Persamaan keluaran : O2,i = wi = μai(x)μbi(x), i = 1, 2. Secara umum biasanya operator yang dipakai pada layer ini adalah operator operasi fuzzy DAN atau AND. Lapisan 3 : Terdiri dari simpul - simpul adaptif node, dengan fungsi O3,i = wifi, dimana wi merupakan output pada layer 2, sedangkan fi sebagai nilai konsekuen. Lapisan 4 : Setiap simpul merupakan fixed node, hasil dari penjumlahan seluruh output dari layer 2 dan hasil dari seluruh penjumlahan output layer 3. Penjumlahan output layer 2 : O4i = iwifi. Penjumlahan output layer 3 : O4,i = iwi. Lapisan 5 : Setiap simpul pada layer ini merupakan fixed node, pada layer ini disebut berat ternormalisasi, dengan fungsi : O5,i = ( w ifi) / ( iwi). Secara umum terdapat tiga tahap dalam proses penelitian ini, yaitu inisialisasi, pelatihan dan penggunaan atau pengujian. Proses inisialisasi merupakan proses pemberian nilai awal pada parameter titik tengah (x dan σ) serta lebar fungsi keanggotaan (y) pada lapisan pertama dan ketiga. Pada proses inisialisasi, pemberian nilai parameter awal pada penelitian ini dilakukan dengan cara nilai titik tengah ( x dan σ) diberikan nilai penjualan yang sesungguhnya, sedangkan lebar fungsi keanggotaan ( y) diberikan nilai awal dengan angka sembarang yang nilainya diuji coba terlebih dahulu ( trial & error). Hal ini dilakukan mengingat proses pemberian membership function pada layer pertama menggunakan rumus exp(-((xi - xi -l ) / l i) 2 ), dengan demikian apabila parameter xi -l terlalu kecil atau terlalu besar, justru akan menghilangkan karakteristik dari data yang ada, hal ini berlaku juga untuk pemberian nilai awal parameter l i. Pada fase pelatihan, dipergunakan metode backpropagation untuk menemukan nilai terbaik dari ketiga parameter tersebut, sedangkan pada fase pengujian, dilakukan proses prediksi tren untuk periode selama tahun Secara umum, sehubungan ANFIS sensitif terhadap magnitudo (Edvin Aldrian dan Yudha Setiawan Djamil, 2008), maka data data yang bernilai nol pada saat libur operasional dihilangkan. A-3-3
4 Teori ROC Selanjutnya, hasil keluaran ANFIS tersebut diolah menggunakan perhitungan ROC untuk diketahui kehandalan hasil perhitungan atau ketepatan prediksi tren-nya. ROC merupakan suatu metode statistik yang dipergunakan untuk mengetahui kemampuan suatu metode dalam melakukan identifikasi terhadap suatu obyek (Lena KW, 2002). Secara umum, metode analisis ini menghitung empat jenis kemungkinan yang muncul dalam proses pengenalan pola. Keempat kemungkinan kemungkinan itu adalah : True Positive (TP) : jika diagnosis bernilai benar hasil pengujian bernilai benar. False Negative (FN) : jika diagnosis bernilai benar tapi hasil pengujian bernilai salah. False Positive (FP) : jika diagnosis bernilai salah tapi hasil pengujian bernilai benar. True Negative (TN) : jika diagnosis bernilai salah dan hasil pengujian bernilai salah. Untuk lebih jelasnya hubungan antara diagnosis dan hasil pengujian dapat dilihat pada gambar 2. Hasil Pengujian Positif Negatif Diagnosis Positif Negatif TP FN P FP TN P' Q Q' Gambar 2. Hubungan antara diagnosis dan hasil pengujian (Lena KW, 2002) Adapun formulasi perhitungan ROC-nya sebagai berikut : P = TP + FN (1) P = FP + TN (2) Q = TP +FP (3) Q = FN + TN (4) TP = tp / (P + P ) (5) FN = fn / (P + P ) (6) FP = fp / (P +P ) (7) TN = tn / (P + P ) (8) EFF = TP + TN (9) Dengan : tp = jumlah data yang berada pada kondisi TP fn = jumlah data yang berada pada kondisi FN fp = jumlah data yang berada pada kondisi FP tn = jumlah data yang berada pada kondisi TN P = jumlah diagnosis positif pada populasi data P = jumlah diagnosis negatif pada populasi data Q = jumlah hasil pengujian positif Q = jumlah hasil pengujian negatif EFF = effisiensi Hasil perhitungan EFF inilah yang selanjutnya dijadikan rujukan atau indikator ketepan prediksi yang dilakukan oleh ANFIS. A-3-4
5 HASIL DAN PEMBAHASAN Pengujian dilakukan untuk prediksi tren selama tahun 2010 (sebanyak 332 data) dari wilayah Kabupaten Sidoarjo, baik untuk sistem dengan data masukan tunggal maupun jamak, pada kategori semua jenis produk LPG, produk 3 Kg dan non 3 Kg. Pengujian ini dilakukan menggunakan ANFIS dengan aturan penalaran produk, aturan penalaran minimum, dan ANN Backpropagation sebagai pembanding. Spesifikasi ANFIS yang dipergunakan disajikan pada Tabel 1 dan hasil perhitungan ROC dari pengujian yang dilakukan disajikan pada Tabel 2. Tabel 1 Spesifikasi ANFIS NO URAIAN SPESIFIKASI 1 Learning Time Learning Rate 0,001 3 Node Role 4 Tabel 2 Hasil Perhitungan Effisiensi (ROC) hasil prediksi ANFIS dengan Aturan Penalaran Produk, Aturan Penalaran Minimum dan ANN Backpropagation INPUT PRODUK Prod ANFIS Min ANN Tunggal All Products 44.89% 45.82% 45.20% 3 Kg 44.89% 43.34% 45.20% Non 3 Kg 45.82% 47.68% 45.51% Jamak All Products 66.87% 44.27% 45.20% 3 Kg 64.09% 43.65% 43.65% Non 3 Kg 60.68% 44.89% 45.51% Dari Tabel 2 dapat diketahui bahwa pada sistem dengan data masukan tunggal, baik ANFIS dengan aturan penalaran produk, ANFIS dengan aturan penalaran minimum dan ANN -Backpropagation, dari hasil perhitungan effisiensi ROC ketiga metode tersebut belum menunjukkan hasil prediksi tren yang optimal, karena nilai effisiensinya berada dibawah 50%, sedangkan pada sistem dengan data masukan jamak, hasil terbaik didapat dengan menggunakan ANFIS dengan aturan penalaran produk untuk masing masing kategori jenis produk. A-3-5
6 Gambar 3 Hasil prediksi tren penjualan pada libur Hari Raya Waisak dan Kenaikan Isa Al Masih menggunakan masukan jamak untuk semua jenis produk. Gambar 4 Hasil prediksi tren penjualan pada libur Hari Raya Waisak dan Kenaikan Isa Al Masih menggunakan masukan jamak untuk produk 3 Kg. Gambar 5 Hasil prediksi tren penjualan pada libur Hari Raya Waisak dan Kenaikan Isa Al Masih menggunakan masukan jamak untuk produk Non 3 Kg. Selain memperhatikan besarnya effisiensi dari perhitungan ROC, perlu diperhatikan juga gambar grafik hasil prediksi metode tersebut, karena dapat saja perhitungan effisiensi memberikan angka yang baik namun secara grafik justru kurang sesuai. Pada gambar 3, 4 dan 5 disajikan salah satu kejadian khusus selama periode tahun 2010, yaitu pelaksanaan hari libur nasional untuk perayaan Hari Raya Waisak dan peringatan Kenaikan Isa Al Masih yang pelaksanaannya berdekatan, sehingga cukup mempengaruhi pola pengambilan produk. Walaupun dapat dikatakan ANFIS dengan aturan penalaran produk dapat mengikuti pola penjualan yang sesungguhnya, namun fenomena yang sering muncul adalah terdapat pergeseran pola prediksi ANFIS dengan aturan penalaran produk dibanding pola yang sesungguhnya. A-3-6
7 KESIMPULAN DAN SARAN Dari penelitian yang telah dilakukan, dapat ditarik kesimpulan sebagai berikut : a. ANFIS sensitif terhadap besarnya amplitudo, oleh karenanya data yang bernilai 0 pada saat libur operasional dihilangkan. b. Dengan jumlah node dan inisialisasi parameter yang sama, penggunaan mekanisme aturan penalaran produk pada ANFIS dapat memberikan hasil yang lebih baik daripada aturan penalaran minimum. c. Jika dibandingkan dengan metode yang lain (ANN Backpropagation dan ANFIS dengan aturan penalaran minimum), ANFIS dengan aturan penalaran produk mampu memberikan nilai perhitungan ROC yang lebih baik pada sistem dengan masukan jamak. d. Pada pengujian hasil prediksi suatu metode dengan menggunakan analisis ROC, perlu dilakukan juga tinjauan terhadap hasil keluaran yang sesungguhnya, karena dapat saja suatu metode menunjukkan hasil perhitungan ROC yang tinggi namun setelah dilihat keluaran yang sesungguhnya ternyata kurang memberikan hasil yang optimal karena tidak sesuai dengan pola perubahan tren yang sesungguhnya. Adapun untuk pengembangan penelitian dimasa mendatang, disarankan untuk : a. Dipergunakan data masukan yang lebih berpengaruh terhadap pola konsumsi LPG pada konsumen akhir dan bersifat harian. b. Digunakan pre-processor dan post-processor yang lebih dapat menangkap karakteristik pola konsumsi LPG. DAFTAR PUSTAKA Ali Yosefian dkk, (2009), Recurrent adaptive network-based fuzzy inference system for prediction macroeconomic time series, Proceedings of 2009 International Conference on Economics, Business Management and Marketing, Singapore, October Ciji Pearl Kurian dkk, (2006), ANFIS model for the series prediction of interior daylight illuminance, AIML Journal, Volume (6), Issue (3), September Edvin Aldrian, Yudha Setiawan Djamil, (2008), Application of multivariate ANFIS for daily rainfall prediction : influences of training data size, Makara, Sains Volume 12, No. 1, April Fernando C., Nickel James (2009), Average Hourly Wind Speed Forecasting with ANFIS, 11 th American Conference on Wind Engineering, San Juan, Puerto Rico, June George S. Atsalakis dkk, (2007), Probability of trend prediction of exchange rate by ANFIS, Technical University of Crete, Greece. G. Atsalakis dkk, (2007), Forecasting unemployment rate using a neural network with fuzzy inference system, ICAP. G. Atsalakis dan C. Minoudaki, (2007), Daily Irrigation Water Demand Prediction using Adaptive Neuro Fuzzy Inferences Systems (ANFIS), proc. of the 3rd IASME/WSEAS Int. Conf. on Energy, Environtment, Ecosystems and Sustainable Development, Agios Nikolaos, Greece, July A-3-7
8 Lena Kallin Westin, (2002), Receiver Operating Characteristic (ROC) Analysis : Evaluating Discriminance Effects Among Decision Support Systems, Department of Computing Science - Umea University, Sweden. Li-Xin Wang, (1997), A Course in Fuzzy System and Control, Prentice Hall. A-3-8
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih Niska Ramadani Dosen Universitas Dehasen Bengkulu niskaramadani@gmail.com ABSTRAK Pertumbuhan penduduk harus
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 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 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 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 terperinciPERENCANAAN DAN PEMBUATAN PERANGKAT LUNAK JARINGAN SARAF BUATAN UNTUK MERAMALKAN NILAI KESEHATAN SENTRAL TELEPON DI SUATU SENTRAL TELEPON
PERENCANAAN DAN PEMBUATAN PERANGKAT LUNAK JARINGAN SARAF BUATAN UNTUK MERAMALKAN NILAI KESEHATAN SENTRAL TELEPON DI SUATU SENTRAL TELEPON DESIGN OF ARTIFICIAL NEURAL NETWORK SOFTWARE FOR PREDICTING THE
Lebih terperinciPREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) Supriyanto 1, Sudjono 2, Desty Rakhmawati 3 ( 1,2. UNSOED Purwokerto, 3. STMIK
Lebih 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Semakin bertambah tahun, semua peralatan konvensional semakin tergantikan dengan adanya peralatan elektronik. Di setiap sisi kehidupan pada saat ini menggunakan peralatan
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 terperinciPermodelan Kurva Karakteristik Inverse Non- Standart Pada Rele Arus Lebih Dengan Metode Adaptive Neuro Fuzzy Inference System (Anfis)
B163 Permodelan Kurva Karakteristik Inverse Non- Standart Pada Rele Lebih Dengan Metode Adaptive Neuro Fuzzy Inference System (Anfis) Erhankana Ardiana P., Margo Pujiantara dan Ardyono Priyadi Jurusan
Lebih terperinciPENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM Nanik Susanti 1* 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih 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 terperinciPREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo)
PREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo) Ifan Wiranto, Wahab Musa, Wrastawa Ridwan Jurusan Teknik Elektro
Lebih terperinciPEMODELAN NEURO-ARIMA UNTUK CURAH HUJAN DI KOTA SURABAYA
PEMODELAN NEURO-ARIMA UNTUK CURAH HUJAN DI KOTA SURABAYA Oleh: Wiwinta Sutrisno 22 08 203 009 Pembimbing: Prof. Dr. Ir. Gamantyo Hendrantoro, M.Eng Hal 1 dari 28 Latar Belakang Curah Hujan sangat berpengaruh
Lebih terperinciPREDIKSI KECEPATAN ANGIN DI SUMENEP MENGGUNAKAN MIXTURE OF ANFIS
SEMINAR HASIL TUGAS AKHIR LOGO PREDIKSI KECEPATAN ANGIN DI SUMENEP MENGGUNAKAN MIXTURE OF ANFIS Oleh: SYARIFAH DIANA PERMAI (307 00 0) PEMBIMBING: Prof. Drs. NUR IRIAWAN, M.Ikom, PhD Dr. IRHAMAH, S.Si,
Lebih terperinciPEMODELAN KECEPATAN ANGIN RATA-RATA DI SUMENEP MENGGUNAKAN MIXTURE OF ANFIS
PEMODELAN KECEPATAN ANGIN RATA-RATA DI SUMENEP MENGGUNAKAN MIXTURE OF ANFIS Syarifah Diana Permai, Nur Iriawan 2, Irhamah 3 Mahasiswa Jurusan Statistika FMIPA ITS (diana_sdp66@yahoo.com) 2 Dosen Jurusan
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 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 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 terperinciJURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 31-40 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS DATA RUNTUN WAKTU DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Lebih terperinciSISTEM PENGENDALIAN PERSEDIAAN DENGAN PERMINTAAN DAN PASOKAN TIDAK PASTI (Studi Kasus pada PT.XYZ) AYU TRI SEPTADIANTI
SISTEM PENGENDALIAN PERSEDIAAN DENGAN PERMINTAAN DAN PASOKAN TIDAK PASTI (Studi Kasus pada PT.XYZ) AYU TRI SEPTADIANTI 1209100023 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR Sofi Dwi Purwanto Teknik Informatika Universitas Islam Negeri Maulana Malik
Lebih terperinciJurnal Elektro ELTEK Vol. 2, No. 1, April 2011 ISSN:
Perbandingan Penggunaan Metode Radial Basis Function Network () Dari Metode Fuzzy Neural Netwotk () Dalam Memperkirakan Beban Jangka Pendek di GI. Gondang Wetan Pasuruan Rory Asrial, Almizan Abdullah,
Lebih 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 terperinciPrakiraan Beban Listrik Jangka Pendek Kota Banda Aceh Berbasis Logika Fuzzy
46 Jurnal Rekayasa Elektrika Vol. 10, No. 1, April 2012 Prakiraan Beban Listrik Jangka Pendek Kota Banda Aceh Berbasis Logika Fuzzy Syukriyadin dan Rio Syahputra Laboratorium Teknik Energi Listrik Jurusan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Tenaga listrik merupakan kebutuhan yang sangat penting bagi manusia dalam melakukan aktifitasnya sehari-hari. Peralatan rumah tangga maupun industri hampir semuanya
Lebih terperinciSISTEM CERDAS PENDUKUNG KEPUTUSAN PREDIKSI NILAI TUKAR VALUTA ASING MENGGUNAKAN JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA TUGAS AKHIR
SISTEM CERDAS PENDUKUNG KEPUTUSAN PREDIKSI NILAI TUKAR VALUTA ASING MENGGUNAKAN JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA TUGAS AKHIR Untuk Memenuhi Sebagian Persyaratan Mencapai Derajat Sarjana S-1
Lebih terperinciAchmad Fauqy Ashari Supervisor: Wiwik Anggraeni S.Si, M.Kom Ahmad Mukhlason S.Kom, M.Sc
Achmad Fauqy Ashari 5208100150 Supervisor: Wiwik Anggraeni S.Si, M.Kom Ahmad Mukhlason S.Kom, M.Sc Sistem Informasi - FTIf - 2012 Tujuan dari tugas akhir ini adalah pengembangan prototipe sistem cerdas
Lebih terperinciArtificial Neural Network Backpropagation Dengan Momentum Untuk Prediksi Surface Roughness Pada CNC Milling
Artificial Neural Network Dengan Momentum Untuk Prediksi Surface Roughness Pada CNC Milling Vivi Tri Widyaningrum Program Studi Mekatronika, Fakultas Teknik, Universitas Trunojoyo Madura Bangkalan, Jawa
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 terperinciPeramalan Data IHSG Menggunakan Metode Backpropagation
Peramalan Data IHSG Menggunakan Metode Backpropagation Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang, Indonesia hansun@umn.ac.id Diterima 31 Agustus 2012 Disetujui
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Penelitian pada karya akhir ini membahas mengenai pengembangan model Artificial Neural Network serta menganalisa kemampuan Artificial Neural Network sebagai alat peramalan. Obyek yang
Lebih terperinciPERAMALAN PRODUKSI PADI DENGAN ARIMA, FUNGSI TRANSFER DAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
PERAMALAN PRODUKSI PADI DENGAN ARIMA, FUNGSI TRANSFER DAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Oleh: ADI WIJAYA NRP. 1310201720 Dosen Pembimbing: Dr. Suhartono, S.Si, M.Sc PROGRAM MAGISTER STATISTIKA
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 terperinciPRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM
ISSN 1412 3762 http://jurnal.upi.edu/electrans ELECTRANS, VOL.11, NO.2, SEPTEMBER 2012, 18-26 PRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY
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 terperinciPREDIKSI TINGGI MUKA AIR BENDUNGAN RIAM KANAN MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Technologia Vol 9, No.1, Januari Maret 2018 11 PREDIKSI TINGGI MUKA AIR BENDUNGAN RIAM KANAN MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Yusri Ikhwani Fakultas Teknologi Informasi Universitas Islam
Lebih terperinciMODEL PREDIKSI PRODUCTION DELAY DALAM PROSES PRODUKSI STRIP MILL DENGAN METODE ADAPTIVE NEURO- FUZZY INFERENCE SYSTEM
Journal Industrial Servicess Vol. 3 No. 2 Maret 2018 MODEL PREDIKSI PRODUCTION DELAY DALAM PROSES PRODUKSI STRIP MILL DENGAN METODE ADAPTIVE NEURO- FUZZY INFERENCE SYSTEM Yusraini Muharni Jurusan Teknik
Lebih terperinciPelatihan Bobot Jaringan Syaraf Tiruan Menggunakan Particle Swarm Optimization untuk Peramalan Tingkat Inflasi
Pelatihan Bobot Jaringan Syaraf Tiruan Menggunakan Particle Swarm Optimization untuk Peramalan Tingkat Inflasi Training the Weight of Neural Network Using Particle Swarm Optimization to Forecast Inflation
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 I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam perkembangan teknologi yang semakin pesat ini banyak sekali perubahan perkembangan yang telah terjadi untuk membantu kehidupan masyarakat. Dalam perkembangan
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 terperinciPerancangan Sistem Kendali Cascade pada Deaerator Berbasis Adaptive Neuro Fuzzy Inference System (ANFIS)
Perancangan Sistem Kendali Cascade pada Deaerator Berbasis Adaptive Neuro Fuzzy Inference System (ANFIS) Rayjansof Chairi 1, Fitria Hidayanti 1, Idris Kusuma 1,2 1 Program Studi Fisika Teknik, Fakultas
Lebih terperinciESTIMASI KONSUMSI ENERGI LISTRIK BALI BERBASIS ANN
ESTIMASI KONSUMSI ENERGI LISTRIK BALI BERBASIS ANN Jurusan Teknik Elekro Fakultas Teknik Universitas Udayana Kampus Bukit Jimbaran Bali 80361, tlp (0361)703315 Email : mertasana@ee.unud.ac.id Abstrak Aspek
Lebih terperinciStatistika Regresi Logistik Neural Network Deskriptif Ketepatan Klasifikasi Model dengan Input Signifikan
Statistika Regresi Logistik Neural Network Deskriptif Ketepatan Klasifikasi Model dengan Input Signifikan Predicted Predicted Actual < 3,5 3,5 Actual Tidak tepat Tepat waktu < 3,5 36 10 Tidak tepat 74
Lebih terperinciBAB I PENDAHULUAN. Peramalan (forecasting) adalah kegiatan untuk meramalkan apa yang akan
BAB I PENDAHULUAN A. Latar Belakang Peramalan (forecasting) adalah kegiatan untuk meramalkan apa yang akan terjadi pada masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang akan
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 terperinciPerbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas
TEKNOLOGI DI INDUSTRI (SENIATI) 016 ISSN : 085-418 Perbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas Nur Nafi iyah Program Studi Teknik Informatika Universitas Islam
Lebih terperinciPrediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 T - 12 Prediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
Lebih terperinciSISTEM PREDIKSI SAHAM MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (STUDI KASUS SAHAM MINGGUAN PT ASTRA AGRO LESTARI, TBK)
Vol., No., Agustus 16, 35-39 SISTEM PREDIKSI SAHAM MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (STUDI KASUS SAHAM MINGGUAN PT ASTRA AGRO LESTARI, TBK) Yuniar Farida, S.T, M.T 1) Program Studi Matematika
Lebih terperinciPrediksi Jumlah Kunjungan Pasien Poli Bedah di Rumah Sakit Onkologi Surabaya Menggunakan Fuzzy Time Series
Prediksi Jumlah Kunjungan Pasien Poli Bedah di Rumah Sakit Onkologi Surabaya Menggunakan Fuzzy Time Series Arfinda Setiyoutami a, Wiwik Anggraeni b, Renny Pradina Kusumawardani c Jurusan Sistem Informasi
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1. Hasil Penelitian Kurva ID anteseden menampilkan model ambang hujan dan persamaan empirik yang disajikan pada Gambar 4.1. Model ambang hujan pada penelitian yang
Lebih terperinciKENDALI LOGIKA FUZZY PADA PENGATURAN LAMPU LALU LINTAS BERDASARKAN URGENCY DAN STOP DEGREE
KENDALI LOGIKA FUZZY PADA PENGATURAN LAMPU LALU LINTAS BERDASARKAN URGENCY DAN STOP DEGREE Fitria Suryatini Program Studi Teknik Elektro Fakultas Teknik Universitas Islam 45 (UNISMA) E-mail: fitriasuryatini88@gmail.com
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 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 terperinciT 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia
T 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia Aidatul Fitriah 1, Agus Maman Abadi 2 1) Program Studi Matematika, FMIPA Universitas Negeri Yogyakarta 2) Jurusan Pendidikan Matematika,
Lebih terperinciANALISIS DAN IMPLEMENTASI ELMAN RECURRENT NEURAL NETWORK UNTUK PREDIKSI HARGA KOMODITAS PERTANIAN
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.1 April 216 Page 1253 ANALISIS DAN IMPLEMENTASI ELMAN RECURRENT NEURAL NETWORK UNTUK PREDIKSI HARGA KOMODITAS PERTANIAN Analysis and Implementation
Lebih terperinciPERANCANGAN MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK MEMPREDIKSI CUACA MARITIM
PERANCANGAN MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK MEMPREDIKSI CUACA MARITIM Oleh : Ardian Candra Pratama 2406 100 021 Dosen Pembimbing : Ir. Syamsul Arifin, MT. Dr. Ir. Aulia Siti Aisyah, MT.
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciSegitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 1, May 2007, 9 16 Segitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi Hary Budiarto Pusat Teknologi Informasi
Lebih terperinciAnalisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic
Analisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic Luh Kesuma Wardhani, Elin Haerani Jurusan Teknik Informatika Fakultas Sains dan Teknologi UIN SUSKA Riau
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Di era modern seperti saat ini, energi listrik menjadi salah satu kebutuhan dasar dalam kehidupan masyarakat. Berbagai peralatan rumah tangga maupun industri saat ini
Lebih terperinciMETODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) UNTUK PREDIKSI TINGKAT LAYANAN JALAN
METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) UNTUK PREDIKSI TINGKAT LAYANAN JALAN Noor Azizah Fakultas Sains dan Teknologi, UNISNU Jepara azizah.simply@gmail.com ABSTRACT Level of service indicates
Lebih terperinciSPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ
SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ P.A Teknik Informatika Universitas Ahmad Dahlan Yogyakarta Kampus 3 UAD, Jl. Prof. Soepomo rochmahdyah@yahoo.com Abstrak Perkembangan teknologi
Lebih terperinciPEMODELAN KECEPATAN ANGIN RATA-RATA DI SUMENEP MENGGUNAKAN MIXTURE OF ANFIS
PEMODELAN KECEPATAN ANGIN RATA-RATA DI SUMENEP MENGGUNAKAN MIXTURE OF ANFIS 1 Syarifah Diana Permai, 2 Nur Iriawan, 3 Irhamah 1,2,3 Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Artificial Neural Network Artificial neural network (ANN) / jaringan saraf tiruan adalah konsep yang merefleksikan cara kerja dari jaringan saraf biologi kedalam bentuk artificial
Lebih terperinciDAFTAR ISI.. LEMBAR PENGESAHAN SURAT PERNYATAAN ABSTRAK.. ABSTRACT... DAFTAR TABEL.. DAFTAR PERSAMAAN..
ABSTRAK Perkembangan teknologi yang semakin pesat, membuat semakin sedikitnya suatu industri yang memakai operator dalam menjalankan suatu proses produksi. Pada saat ini, kontrol otomatis lebih banyak
Lebih terperinciPERANCANGAN APLIKASI JARINGAN SARAF TIRUAN UNTUK PREDIKSI NILAI TUKAR RUPIAH TERHADAP MATA UANG ASING
PERANCANGAN APLIKASI JARINGAN SARAF TIRUAN UNTUK PREDIKSI NILAI TUKAR RUPIAH TERHADAP MATA UANG ASING Danny Horia Komp. Duta Harapan Indah Blok JJ no 52 021-6682844 dannybinuz@gmail.com Binus University
Lebih terperinciBAB I PENDAHULUAN. yang merupakan keuntungan perusahaan yang dibagikan kepada semua pemegang
BAB I PENDAHULUAN 1.1 Latar Belakang Ekspektasi atau motivasi setiap investor adalah mendapatkan keuntungan dari transaksi investasi yang dilakukan. Para investor yang bertransaksi di pasar modal, khususnya
Lebih terperinciAnalisis Fungsi Implikasi Max-Min dan Max-Prod Dalam Pengambilan Keputusan
128 ISSN: 2354-5771 Analisis Fungsi Implikasi Max-Min dan Max-Prod Dalam Pengambilan Keputusan Raheliya Br Ginting STT Poliprofesi Meda E-mail: itink_ribu@yahoo.com Abstrak Pengambilan keputusan harus
Lebih terperinciBAB III METODELOGI PENELITIAN. media cacing dengan metode adaptive neuro fuzzy inference system (ANFIS)
BAB III METODELOGI PENELITIAN 3.1 Studi Literatur Untuk memehami cara rancang bangun pengontrol suhu dan kelembaban media cacing dengan metode adaptive neuro fuzzy inference system (ANFIS) dibutuhkan studi
Lebih terperinciPerbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca
NATURALA Journal of Scientific Modeling & Computation, Volume 1 No.1 2013 7 ISSN 23030135 Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca Candra Dewi 1, M. Muslikh
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perusahaan adalah suatu organisasi yang didirikan oleh seseorang atau sekelompok orang atau badan lain yang kegiatannya adalah melakukan produksi dan distribusi guna
Lebih terperinciDAFTAR ISI DAFTAR GAMBAR DAFTAR TABEL INTISARI ABSTRACT
DAFTAR ISI LEMBAR PENGESAHAN HALAMAN PERNYATAAN PRAKATA DAFTAR ISI DAFTAR GAMBAR DAFTAR TABEL INTISARI ABSTRACT i vi viii ix x BAB I. PENDAHULUAN 1 1.1 Latar Belakang 1 1.2 Rumusan Masalah 3 1.3 Batasan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini membahas tentang hal-hal yang menjadi latar belakang pembuatan tugas akhir, rumusan masalah, tujuan, batasan masalah, manfaat, metodologi penelitian serta sistematika penulisan
Lebih terperinciBAB IV PEMBAHASAN. Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil
BAB IV PEMBAHASAN Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil model Radial Basis Function Neural Network untuk diagnosa kanker otak, hasil klasifikasi, dan ketepatan hasil klasifikasinya.
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 terperinciANALISIS DAN IMPLEMENTASI ELMAN RECURRENT NEURAL NETWORK UNTUK PREDIKSI HARGA KOMODITAS PERTANIAN
ANALISIS DAN IMPLEMENTASI ELMAN RECURRENT NEURAL NETWORK UNTUK PREDIKSI HARGA KOMODITAS PERTANIAN Analysis and Implementation of Elman Recurrent Neural Network for Predicting Agricultural Commodities Prices
Lebih terperinciGambar 1. Hop multi komunikasi antara sumber dan tujuan
Routing pada Jaringan Wireless Ad Hoc menggunakan teknik Soft Computing dan evaluasi kinerja menggunakan simulator Hypernet Tulisan ini menyajikan sebuah protokol untuk routing dalam jaringan ad hoc yang
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 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 terperinciPenggunaan Model ELFIS dan Sistem Neuro Fuzzy Untuk Memprediksi Pasar Saham
Penggunaan Model ELFIS dan Sistem Neuro Fuzzy Untuk Memprediksi Pasar Saham Alexander Sukono - 13513023 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung,
Lebih terperinciOleh : Agus Sumarno Dosen Pembimbing : Drs. Daryono Budi Utomo, M.Si
APLIKASI WAVELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES APPLICATION Of WAVELET RECURRENT NEURAL NETWORK FOR TIME SERIES DATA PREDICTION Oleh : Agus Sumarno 1206 100 706 Dosen Pembimbing
Lebih terperinciSISTEM PENGAMBILAN KEPUTUSAN PERSEBARAN PENYAKIT DAN DISTRIBUSI OBAT DALAM KABUPATEN/KOTAMADYA. (subjudul Distribusi Obat)
SISTEM PENGAMBILAN KEPUTUSAN PERSEBARAN PENYAKIT DAN DISTRIBUSI OBAT DALAM KABUPATEN/KOTAMADYA (subjudul Distribusi Obat) Anang Tjahjono 1, Entin Martiana 1, Taufan Harsilo Ardhinata 2 1 Dosen, 2 Mahasiswa
Lebih terperinciESTIMASI TINGKAT BI RATE
ESTIMASI TINGKAT BI RATE BERDASARKAN FAKTOR NILAI TUKAR(KURS USD/RP), JUB, INFLASI, IHSG DAN PDB MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Disusun oleh: Nama : AKHMAD KAHFI NPM :
Lebih terperinciPREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION
PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION (NEFCLASS) (STUDI KASUS: PROGRAM STUDI S1 TEKNIK INFORMATIKA, UNIVERSITAS TELKOM) Rita Rismala 1, Serli Fatriandini 2, Retno
Lebih terperinciPrediksi Beban Listrik Pulau Bali Dengan Menggunakan Metode Backpropagasi
Prediksi Beban Listrik Pulau Bali Dengan Menggunakan Metode Backpropagasi Qoriatul Fitriyah 1),Didi Istardi 2) 1) Jurusan Teknik Elektro Politeknik Batam, Batam 29461, email: fitriyah@polibatam.ac.id Jurusan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk prediksi Beban Daya
Lebih terperinciANALISA PEMILIHAN ALTERNATIF PROYEK MANAJEMEN AIR DI PT X DENGAN METODE MULTI CRITERIA DECISION MAKING (MCDM)
ANALISA PEMILIHAN ALTERNATIF PROYEK MANAJEMEN AIR DI PT X DENGAN METODE MULTI CRITERIA DECISION MAKING (MCDM) Ema Dwi Saputri 1) dan Putu Artama Wiguna 2) 1,2) Program Studi Magister Manajemen Teknologi
Lebih terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN Titik Misriati AMIK BSI Jakarta Jl. R.S Fatmawati No. 24 Pondok Labu, Jakarta Selatan titik.tmi@bsi.ac.id ABSTRACT
Lebih terperinciOptimasi Bobot Jaringan Syaraf Tiruan Mengunakan Particle Swarm Optimization
IJCCS, Vol.8, No.1, January 2014, pp. 25~36 ISSN: 1978-1520 25 Optimasi Bobot Jaringan Syaraf Tiruan Mengunakan Particle Swarm Optimization Harry Ganda Nugraha* 1 dan Azhari SN 2 1 Mahasiswa Program Pascasarjana
Lebih terperinciANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM)
ANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM) Hanura Ian Pratowo¹, Retno Novi Dayawati², Agung Toto Wibowo³ ¹Teknik Informatika,,
Lebih terperinciOPTIMASI PARAMETER PARAMETER LAPISAN FISIK UNTUK EFISIENSI ENERGI PADA JARINGAN SENSOR NIRKABEL
OPTIMASI PARAMETER PARAMETER LAPISAN FISIK UNTUK EFISIENSI ENERGI PADA JARINGAN SENSOR NIRKABEL Miftahur Rohman 1) dan Wirawan 2) Laboratorium Komunikasi Multimedia Jurusan Teknik Elektro, Institut Teknologi
Lebih terperinciBAB 1 PENDAHULUAN. saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Cepatnya perubahan fluktuasi harga index saham membuat para pemegang saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung. Saham yang mempunyai
Lebih terperinciPERANCANGAN PERANGKAT LUNAK PREDIKTOR CUACA BERBASIS LOGIKA FUZZY
PERANCANGAN PERANGKAT LUNAK PREDIKTOR CUACA BERBASIS LOGIKA FUZZY Oleh Ilham Bangun Asmoro 2407 100 030 Dosen Pembimbing : Ir. Syamsul Arifin, MT Fitri Adi I., ST, MT Jurusan Teknik Fisika Fakultas Teknologi
Lebih terperinciPERKIRAAN BEBAN LISTRIK JANGKA PENDEK DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
ISSN : 1978-6603 PERKIRAAN BEBAN LISTRIK JANGKA PENDEK DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Sarjon Defit Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang, Sumatera Barat Telp.
Lebih terperinci