Peramalan Jumlah Pemakaian Air di PT. Pembangkitan Jawa Bali Unit Pembangkit Gresik Menggunakan Support Vector Regression
|
|
- Dewi Hartono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: X Vol., No. 10, Oktober 018, hlm Peramalan Jumlah Pemakaan Ar d PT. Pembangktan Jawa Bal Unt Pembangkt Gresk Menggunakan Support Vector Regresson Nov Nur Putrwjaya 1, Wayan Frdaus Mahmudy Program Stud Teknk Informatka, Fakultas Ilmu Komputer, Unverstas Brawjaya Emal: 1 novnputrw@gmal.com, wayanfm@ub.ac.d Abstrak Terdapat beberapa macam sumber daya yang serng dalam kegatan sehar-har manusa, salah satunya adalah ar. PT. PJB UP Gresk memanfaatkan ar sebaga katals dalam memproduks lstrk dan kebutuhan operasonal lannya. Hal n menyebabkan berkurangnya kuanttas ar secara besar, sehngga memungknkan kurangnya persedaan ar d PT. PJB UP Gresk. Untuk mengantspas permasalahan tersebut, maka dbutuhkan suatu peramalan terhadap jumlah pemakaan ar. Support Vector Regresson (SVR) dgunakan untuk melakukan peramalan terhadap jumlah pemakaan ar. Data yang dgunakan dambl dar rwayat pemakaan ar selama 7 bulan. Data uj yang dgunakan sebanyak 49, yang dambl secara acak dar keseluruhan data. Untuk mengetahu parameter terbak dalam membentuk model regres, maka dlakukan pengujan dengan menghtung nla Mean Average Percentage Error (MAPE). Dar hasl pengujan yang telah dlakukan, parameter optmal yang dperoleh yatu jumlah data lath sebanyak 110 dengan rata-rata nla MAPE 6.104, banyaknya teras 650 dengan rata-rata nla MAPE 0., nla parameter lambda senla 6 dengan rata-rata nla MAPE , nla parameter epslon senla dengan rata-rata nla MAPE , nla parameter clr senla dengan rata-rata nla MAPE , nla parameter C senla dengan rata-rata nla MAPE 0.018, dan nla parameter sgma senla 0.75 dengan rata-rata nla MAPE Hasl akhr akuras dar peramalan yang dlakukan menggunakan MAPE menghaslkan rata-rata nla MAPE yang termasuk pada kategor bak. Kata kunc: pemakaan ar, peramalan, regres, support vector regresson, tme-seres Abstract There are several knds of resources that are often used n daly actvtes, one of whch s water. PT. PJB UP Gresk utlzes water as a catalyst n producng electrcty and other operatonal needs. Ths leads to a large reducton n the quantty of water, thus allowng a lack of water supply n PT.PJB UP Gresk. To antcpate the problem, t s necessary to forecast the amount of water usage. Support Vector Regresson (SVR) s used to forecast the amount of water usage. The data used s taken from hstory of water usage for 7 months. Testng data used s 49, whch s taken randomly from the whole data. To determne the best parameters n formng regresson model, testng wll be done by calculatng Mean Average Percentage Error (MAPE). From the testng results that have been done, the optmal parameters obtaned are the amount of tranng data s 110 wth average MAPE value 6.104, number of teratons s 650 wth average MAPE value 0., value of lambda s 6 wth average MAPE value , value of epslon s wth average MAPE value , value of clr s wth average MAPE value , value of C s wth average MAPE value 0.018, and value of sgma s 0.75 wth average MAPE value The fnal result accuracy of forecastng conducted usng MAPE wth average MAPE value that s ncluded n the good category. Keywords: water usage, forecastng, regresson, support vector regresson, tme-seres 1. PENDAHULUAN Ar berperan sangat pentng bag manusa dalam melakukan kegatan sehar-har. Pada umumnya, kebutuhan ar dgunakan untuk perumahan, pertanan, naga, ndustr, dan lngkungan. Kebutuhan ar pada bdang ndustr dgunakan untuk keperluan dalam mendngnkan mesn, proses dan operas pabrk, pembangktan Fakultas Ilmu Komputer Unverstas Brawjaya 3788
2 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 3789 lstrk, pemadaman ap, dan sebaganya (Worthngton, 010). Kebutuhan ar d bdang ndustr tentunya mempunya peran yang sangat pentng untuk berjalannya proses d dalam ndustr tersebut. PT. Pembangktan Jawa Bal Unt Pembangkt Gresk (PT. PJB UP Gresk) merupakan salah satu ndustr pembangkt lstrk yang menggunakan ar sebaga katals dalam memproduks lstrk. Selan tu, ar pada PT. PJB UP Gresk juga dgunakan untuk kebutuhan operasonal sepert ar d masjd, tolet, taman, dan sebaganya. Adanya pemakaan ar dalam kuanttas besar merupakan penyebab jumlah ketersedaan ar yang ada pada tangk penympanan mengalam pengurangan dengan sangat cepat. Selan tu, terjadnya kebocoran ppa pada bagan mesn produks juga dapat menyebabkan perusahaan mengalam kekurangan ar. Untuk mengs ulang tangk penympanan ar tentunya membutuhkan waktu yang lama karena kecepatan ar yang dskan ke dalam setap tangk penympanan berbeda-beda. Terdapat berbaga macam teknk perhtungan yang dapat dgunakan untuk melakukan peramalan, salah satunya adalah Support Vector Machne (SVM). Du, et al. (013) menggunakan algortma SVM untuk peramalan permntaan hasl produks pertanan yang tdak tahan lama. Hampr semua jens hasl produks pertanan yang tdak tahan lama, sepert telur, susu, dan dagng memlk waktu penympanan yang sangat pendek serta mudah membusuk. Oleh karena tu, peramalan n sangat dbutuhkan oleh penyeda dan penjual untuk memperkrakan permntaan atas hasl produks agar dapat mengendalkan baya penympanan. Namun beberapa varabel sepert pergantan klm, kebutuhan pelanggan, dan sebaganya, danggap sangat kompleks dan mudah bergant, sehngga menyebabkan terjadnya error pada hasl peramalan. SVM mengmplementaskan prnsp memnmalkan rsko struktural sehngga dapat memnmalkan batas atas penyamarataan error. SVM juga dapat mengatas permasalahan over-fttng dan dapat mencapa penyamarataan hasl yang tngg dalam menyelesakan masalah peramalan. Selan tu, solus yang dhaslkan oleh SVM nantnya bersfat unk dan optmal (Du, et al., 013). Namun, SVM mempunya kelemahan yatu kurangnya transparans dalam hasl. Karena mempunya dmens yang sangat tngg, SVM mungkn tdak dapat menamplkan nla sebaga fungs parameter (Karamzadeh, et al., 014). Pada peneltan yang lan, Yu, et al., (013) melakukan peramalan hasl penjualan surat kabar atau majalah dengan menggunakan algortma Support Vector Regresson (SVR). Peramalan n sangat pentng dlakukan oleh penerbt dalam mempersapkan rencana pencetakan dan pendstrbusan. Jumlah dar penjualan produk tersebut dasumskan lnear terhadap varabel-varabel yang relevan, msalkan demografs pelanggan atau jens toko yang dgunakan. Namun, asums sepert n kurang tepat karena terdapat relas non lnear antara varabel penjelas dengan penjualan produk, sehngga algortma SVR dgunakan untuk mengatas permasalahan tersebut. Algortma SVR n memlk keunggulan terhadap pemodelan relas non lnear. Selan tu, SVR telah dketahu dapat memnmalkan rsko struktural untuk mendapatkan kesembangan antara komplekstas model dan akuras predks dar model terhadap data lath (Yu, et al., 013). Algortma SVR memlk kelebhan dbandngkan dengan metode yang lan. Kelebhan tersebut adalah kemampuan algortma SVR untuk menangkap relas non lnear dalam ruang ftur, yang sangat efektf dalam proses melakukan analss regres (Qu & Zhang, 016). Berdasarkan referens peneltan yang telah dlakukan oleh beberapa penelt sebelumnya, algortma SVR dapat dgunakan untuk melakukan peramalan jumlah pemakaan ar d PT. PJB UP Gresk. Data rwayat penggunaan ar setap harnya dapat dgunakan untuk mendapatkan perkraan jumlah pemakaan ar pada keesokan harnya. Dar hasl peramalan yang ddapatkan, kemungknan terjadnya kekurangan ar akan dapat dmnmalkan sehngga dapat membantu menngkatkan jasa layanan yang ada pada PT. PJB UP Gresk.. METODE PENELITIAN Support Vector Regresson (SVR) merupakan algortma tngkat lanjut dar Support Vector Machne (SVM) dalam pembahasan tentang regres. SVM adalah sebuah learnng machne yang mengmplementaskan tentang bagamana memnmalkan rsko struktural untuk mendapatkan generalsas yang tepat pada jumlah yang terbatas pada learnng pattern. SVM dapat menggeneralsaskan struktur data Fakultas Ilmu Komputer, Unverstas Brawjaya
3 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 3790 yang samar hanya dengan beberapa support vector (Basak, et al., 007). Msalkan terdapat data lath {(x 1, y 1), (x, y ),..., (x m, y m)} XR, dengan X menyatakan ruang nput patterns (sepert X = R d ). Tujuan dar -SV regres adalah menemukan fungs f(x) yang palng banyak devas dar target yang ddapat sebenarnya y untuk semua data lath, dan pada saat yang sama dengan sedatar mungkn. Dalam kata lan, tdak perlu untuk memperhatkan error yang bernla kurang dar, namun tdak akan menerma devas lebh dar nla n (Scholkopf & Smola, 004). Fungs regres f(x) dnyatakan dalam bentuk persamaan umum yang dtunjukkan pada Persamaan 1, dmana f(x) adalah nla predks, b adalah nla bas, w adalah bobot, x adalah data, dan adalah dot product d dalam X. f ( x) w x b dengan w X, b R (1) Pada Persamaan 1, kedataran fungs dcar dengan memnmalkan nla w, yatu dengan memnmalkan bentuk Eucldean sepert yang dtunjukkan pada Persamaan, dmana adalah nla devas. 1 Mnmze w () y w, x b Subject to w, x b y Asums pada Persamaan adalah fungs f benar-benar ada yang mendekat semua pasangan (x, y ) dengan press, atau semua ttk berada dalam rentang f(x). Pada kenyataannya, ada beberapa ttk yang mungkn berada d luar area f(x) sehngga perlu dtambahkan varabel slack, sebaga batasan baru untuk mengatas kendala-kendala yang terdapat pada Persamaan. Dengan demkan, kedataran fungs dapat dcar dengan menggunakan Persamaan 3. Mnmze Subject to 1 w C l 1 y w, x b w, x b y, 0 (3) Konstanta C > 0 merupakan harga batas tolerans antara kedataran fungs f dengan jumlah devas yang nlanya melebh dar nla yang dtolerans. Sepert yang dsebut dengan -nsenstve loss functon yang dnyatakan dalam Persamaan 4. : 0 jka (4) lannya Setap nla kesalahan yang melebh dar nla akan dkenakan penalt sebesar C. Nla C merupakan konstanta yang dgunakan untuk menentukan penukaran kedataran fungs dengan error pada saat proses learnng. Terdapat beberapa macam jens kernel yang dapat dgunakan d dalam SVR. Pada peneltan n kernel yang dgunakan adalah kernel Radal Basc Functon (RBF). Langkah-langkah algortma sequental learnng untuk melakukan perhtungan fungs pada SVR adalah sebaga berkut: 1. Melakukan nsalsas pada nla dan dengan memberkan nla 0. Kemudan, menghtung matrks hessan menggunakan Persamaan 5, dmana Rj adalah matrks hessan dengan bars kolom j, adalah augmentng factor, dan l adalah banyaknya data lath yang dgunakan. R j K x, x (5) j. Untuk setap data lath, j = 1,,, l, lakukan langkah-langkah berkut:.1 Menghtung nla error menggunakan Persamaan 6, dmana E adalah nla error ke-, y adalah nla aktual dar data lath, dan dan adalah nla Lagrange Multpler. E y l j j j1 R (6). Melakukan perhtungan terhadap dan menggunakan Persamaan 7 dan 8, dengan dan adalah varabel tunggal yang merupakan perubahan nla dan, adalah nla epslon, C adalah nla komplekstas, dan adalah nla learnng rate., mn max E, j, C mn max E, C (7) (8) Nla learnng rate dperoleh dar Persamaan 9. γ = konstanta learnng rate max(dagonal matrks R j ) (9) Fakultas Ilmu Komputer, Unverstas Brawjaya
4 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer Mengubah nla dan menggunakan Persamaan 10 dan 11. (10) (11) 3. Apabla proses sudah mencapa pada jumlah teras yang sudah dtentukan atau sudah memenuh nla max dan max, maka algortma selesa. Jka belum memenuh syarat-syarat tersebut, maka ulang kembal mula dar langkah kedua. 4. Lakukan pengujan dengan menggunakan fungs regres sepert pada Persamaan 1. f 5. Selesa. l x K x x 1 3. PERANCANGAN, (1) Data yang dgunakan adalah data jumlah pemakaan ar PLTGU d PT. PJB UP Gresk pada perode Januar 017 sampa dengan Jul 017, serta nformas jens pemakaan ar yang dlakukan. Data jumlah pemakaan ar bersfat tme seres dan dcatat secara haran sebanyak empat kal, yatu pada pukul 00.00, 06.00, 14.00, dan Pada peramalan jumlah pemakaan ar dengan menggunakan SVR, peramalan dlakukan dengan membentuk model regres, yang selanjutnya dlakukan pengujan. Pengujan dlakukan dengan menggunakan tngkat error. Tngkat error tersebut menyatakan akuras dar model yang telah dbangun dengan bertujuan untuk menghaslkan nla error yang serendah mungkn sehngga hasl peramalan yang ddapatkan memlk akuras yang bak. Sebelum memula proses peramalan, perlu adanya tahap untuk menentukan nla awal dar setap parameter yang dgunakan serta memasukkan data yang akan dgunakan. Langkah berkutnya adalah melakukan normalsas terhadap data, kemudan dlanjutkan dengan proses perhtungan dengan algortma SVR sesua dengan parameter yang telah ddefnskan d langkah awal dan data yang sudah ternormalsas. Proses peramalan n dgambarkan dalam bentuk dagram alr yang dtunjukkan pada Gambar 1. Mula Insalsas data, max teras,,,, C, dan clr Normalsas Data Sequental Learnng Pengujan Model Regres Nla peramalan jumlah pemakaan ar dan error rate Selesa Gambar 1. Dagram Alr Proses Peramalan dengan SVR 4. PENGUJIAN DAN ANALISIS Pengujan n menggunakan data sebanyak 09 rwayat pemakaan ar dengan rncan jumlah pemakaan ar pada tga har sebelumnya dengan jumlah pemakaan ar pada har tersebut. Pada setap pengujan yang dlakukan, akan dbandngkan nla kesalahan yang terkecl sehngga dapat dketahu nla yang terbak pada setap parameter. Dar nla-nla tersebut dapat dgunakan untuk menyelesakan permasalahan peramalan jumlah pemakaan ar n Hasl dan Analss Uj Coba Varas Jumlah Data Lath Uj coba varas jumlah data lath dlakukan untuk mendapatkan jumlah data lath yang memberkan hasl solus terbak. Pengujan dlakukan dengan menggunakan varas jumlah data lath kelpatan 10 mula dar 50 sampa dengan 160, sedangkan jumlah data uj yang dgunakan bernla sama yatu 49 yang dambl secara acak. Pada pengujan n, teras yang dgunakan sebanyak 500 kal dengan nla parameter lambda = 15, epslon =, clr = , C = , dan sgma = 0.5. Hasl pengujan dtunjukkan pada Gambar. Fakultas Ilmu Komputer, Unverstas Brawjaya
5 Nla MAPE Nla MAPE Nla MAPE Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer Gambar. Grafk Hasl Uj Coba Varas Jumlah Data Lath Gambar menunjukkan bahwa semakn banyak jumlah data lath yang dgunakan, maka nla MAPE pada data uj yang dhaslkan cenderung menurun. Hal tersebut dkarenakan d dalam SVR terdapat proses sequental learnng yang membutuhkan banyak data lath agar dapat memodelkan regres peramalannya dengan bak untuk meramalkan data uj (Rusmalawat, et al., 018). Pada grafk tersebut dapat dlhat nla MAPE dar data lath sebanyak 50 menuju data lath sebanyak 110 mengalam penurunan dengan perbedaan yang cukup sgnfkan, namun dar data lath sebanyak 110 hngga 160 rata-rata nla MAPE yang dhaslkan cenderung konstan. Hal n menunjukkan bahwa data lath sebanyak 110 adalah jumlah data lath yang terbak. 4.. Hasl dan Analss Uj Coba Banyaknya Iteras Uj coba banyaknya teras dlakukan untuk mendapatkan jumlah teras yang memberkan hasl solus terbak. Pengujan dlakukan dengan menggunakan jumlah teras kelpatan 50 mula dar 50 sampa dengan 700. Pada pengujan n, jumlah data lath yang dgunakan sebanyak 110 dengan nla parameter sgma = 0.5, epslon = , clr = , C = , dan lambda = 15. Hasl pengujan dtunjukkan pada Gambar Uj Coba Varas Jumlah Data Lath Jumlah Data Lath Uj Coba Banyaknya Iteras Banyaknya Iteras Gambar 3. Grafk Hasl Uj Coba Banyaknya Iteras Gambar 3 menunjukkan bahwa rata-rata nla MAPE yang terendah sebesar 0. yatu ketka dlakukan teras sebanyak 650 kal. Hasl uj coba teras ke-50 hngga teras ke-650 cenderung terjad penurunan nla MAPE. Hal n dkarenakan semakn banyak teras yang dlakukan maka semakn lama proses pelathan yang dlakukan pada model regres. Pada uj coba n, banyak teras yang dplh ada sebesar Hasl dan Analss Uj Coba Nla Parameter Lambda Uj coba nla parameter lambda dlakukan untuk mendapatkan nla parameter lambda yang memberkan hasl solus terbak. Pengujan dlakukan dengan menggunakan nla parameter lambda mula dar 1 sampa dengan 10. Pada pengujan n, jumlah data lath yang dgunakan sebanyak 110 dengan melakukan teras sebanyak 650 dan nla parameter epslon = , clr = , C = , dan sgma = 0.5. Hasl pengujan dtunjukkan pada Gambar Uj Coba Nla Parameter Lambda Nla Parameter Lambda Gambar 4. Grafk Hasl Uj Coba Nla Parameter Lambda Gambar 4 menunjukkan bahwa semakn kecl besar lambda maka semakn besar nla MAPE yang dhaslkan. Namun apabla nla lambda terlalu besar, maka proses komputas yang terjad dalam pembuatan matrks hessan menjad semakn lama (Rusmalawat, et al., 018). Dar uj coba dengan nla lambda sebesar 1 hngga nla lambda sebesar 6 terjad penurunan nla MAPE yang sgnfkan. Namun nla MAPE cenderung stabl mula dar nla lambda bernla 6 dan seterusnya. Hal n menunjukkan bahwa nla lambda yang dapat menghaslkan nla dengan nla MAPE terkecl yatu pada nla Hasl dan Analss Uj Coba Nla Parameter Epslon Uj coba nla parameter epslon dlakukan untuk mendapatkan nla parameter epslon yang memberkan hasl solus terbak. Pengujan dlakukan dengan nla parameter epslon dengan Fakultas Ilmu Komputer, Unverstas Brawjaya
6 0, ,0000 0, , , , , , , ,0001 0,000 0,0003 Nla MAPE Nla MAPE Nla MAPE Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 3793 kelpatan 10-1 mula dar sampa dengan 1. Pada pengujan n, jumlah data lath yang dgunakan sebanyak 110 dengan melakukan teras sebanyak 650 dan nla parameter lambda = 6, clr = , C = , dan sgma = 0.5. Hasl pengujan dtunjukkan pada Gambar Uj Coba Nla Parameter Epslon Nla Parameter Epslon Gambar 5. Grafk Hasl Uj Coba Nla Parameter Epslon Gambar 5 menunjukkan bahwa semakn besar nla dar parameter epslon yang dgunakan maka semakn tngg nla MAPE yang dhaslkan. Dar uj coba dengan menggunakan nla parameter epslon sebesar hngga nla MAPE yang dhaslkan cenderung konstan, dan terjad kenakan nla MAPE dmula dar 0.01 hngga seterusnya. Nla parameter epslon dgunakan untuk batasan pada kesalahan yang dtolerans, sehngga semakn kecl nla parameter epslon maka semakn tepat model yang ddapatkan (Cha, 011). Namun semakn kecl nla epslon yang dgunakan, dapat menyebabkan waktu komputas yang lebh besar. Pada uj coba n, nla parameter epslon yang dplh adalah sebesar Hasl dan Analss Uj Coba Nla Parameter clr Uj coba nla parameter clr dlakukan untuk mendapatkan nla parameter clr yang memberkan hasl solus terbak. Pengujan dlakukan dengan nla parameter clr kelpatan mula dar sampa dengan Pada pengujan n, jumlah data lath yang dgunakan sebanyak 110 dengan melakukan teras sebanyak 650 dan nla parameter lambda = 6, epslon = 0.001, C = , dan sgma = 0.5. Hasl pengujan dtunjukkan pada Gambar Uj Coba Nla Parameter clr Nla Parameter clr Gambar 6. Grafk Hasl Uj Coba Nla Parameter clr Gambar 6 menunjukkan bahwa semakn besar nla parameter clr maka semakn rendah nla MAPE yang dhaslkan. Dar uj coba dengan menggunakan nla parameter clr sebesar hngga nla MAPE yang dhaslkan cenderung mengalam penurunan, dan terjad kenakan nla MAPE dmula dar hngga seterusnya. Nla parameter clr berguna sebaga penentu nla gamma () yang dgunakan untuk mengatur laju learnng. Jka nla dar parameter semakn besar maka learnng akan berjalan lebh cepat namun berkemungknan besar untuk mengalam konvergens dn (Rusmalawat, et al., 018). Pada uj coba n, nla parameter clr yang dplh adalah sebesar Hasl dan Analss Uj Coba Nla Parameter C Uj coba nla parameter C dlakukan untuk mendapatkan nla parameter C yang memberkan hasl solus terbak. Pengujan dlakukan dengan nla parameter C kelpatan mula dar sampa dengan Pada pengujan n, jumlah data lath yang dgunakan sebanyak 110 dengan melakukan teras sebanyak 650 dan nla parameter lambda = 6, epslon = 0.001, clr = , dan sgma = 0.5. Hasl pengujan dtunjukkan pada Gambar Uj Coba Nla Parameter C Nla Parameter C Gambar 7. Grafk Hasl Uj Coba Nla Parameter C Fakultas Ilmu Komputer, Unverstas Brawjaya
7 Nla MAPE Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 3794 Gambar 7 menunjukkan bahwa semakn besar nla parameter C yang dgunakan maka semakn kecl nla MAPE yang dhaslkan. Dar uj coba dengan nla parameter sebesar hngga cenderung mengalam penurunan yang sgnfkan, namun nla MAPE menjad konstan dmula dar hngga seterusnya. Nla parameter C dgunakan sebaga penentu besar penalt yang dberkan d dalam learnng (Putra, et al., 018). Pada uj coba n, nla parameter C yang dplh adalah sebesar Hasl dan Analss Uj Coba Nla Parameter Sgma Uj coba nla parameter sgma dlakukan untuk mendapatkan nla parameter sgma yang memberkan hasl solus terbak. Pengujan dlakukan dengan nla parameter sgma yatu , , , , 0.001, 0.005, 0.005, , 0.01, 0.05, 0.05, 0.075, 0.1, 0.5, 0.5, 0.75, dan 1. Pada pengujan n jumlah data lath yang dgunakan sebanyak 110 dengan melakukan teras sebanyak 650 dan nla parameter lambda = 6, epslon = 0.001, clr = , dan C = Hasl pengujan dtunjukkan pada Gambar Uj Coba Nla Parameter Sgma Nla Parameter Sgma Gambar 8. Grafk Hasl Uj Coba Nla Parameter Sgma Gambar 8 menunjukkan bahwa semakn besar nla sgma yang dgunakan maka nla MAPE yang dhaslkan semakn kecl. Sgma dgunakan sebaga parameter dalam pemodelan regres yang ada pada SVR. Jka nla sgma terlalu kecl, maka dapat menyebabkan terjadnya overft pada data lath. Namun apabla nla sgma terlalu besar, maka akan berdampak pada waktu komputas yang lebh lama. Pada uj coba n, nla parameter sgma yang dplh adalah sebesar Pengujan dengan Parameter Terbak Pengujan parameter terbak dlakukan setelah ddapatkan nla-nla dar parameter yang dapat menghaslkan akuras terbak. Data lath untuk melakukan learnng yang menghaslkan akuras terbak adalah 110. Banyaknya teras yang dlakukan adalah 650. Nla lambda = 6, nla epslon = 0.001, nla clr = , nla C = , dan nla sgma = Hasl pengujan parameter terbak dtunjukkan pada Tabel 1. Tabel 1. Hasl Pengujan Parameter Terbak Percobaan ke- Nla MAPE Rata-rata KESIMPULAN Berdasarkan dar hasl uj coba parameter SVR pada permasalahan peramalan jumlah pemakaan ar, dperoleh kesmpulan bahwa permasalahan peramalan jumlah pemakaan ar dapat dselesakan dengan menggunakan SVR. Parameter terbak yang dperoleh dar hasl pengujan adalah jumlah data lath yang dgunakan sebanyak 110, jumlah teras sebanyak 650, nla parameter lambda sebesar 6, nla parameter epslon sebesar 0.001, nla parameter clr sebesar , nla parameter C sebesar , dan nla parameter sgma sebesar Dengan menggunakan parameter terbak tersebut, rata-rata nla MAPE yang ddapatkan sebesar DAFTAR PUSTAKA Basak, D., Pal, S. & Patranabs, D. C., 007. Support Vector Regresson. Neural Informaton Processng Letters and Revews, 11(10), pp Cha, Y., 011. A Coal Mne Gas Concentraton Predcton Method based on Partcle Swarm Optmzaton Support Vector Regresson. IEEE, pp Fakultas Ilmu Komputer, Unverstas Brawjaya
8 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 3795 Du, X. F., Leung, S. C., Zhang, J. L. & La, K., 013. Demand Forecastng of Pershable Farm Products Usng Support Vector Machne. Internatonal Journal of Systems Scence, 44(3), pp Karamzadeh, S., Abdullah, S. M. & Halm, M., 014. Advantage and Drawback of Support Vector Machne Functonalty. Internatonal Conference on Computer, Communcaton, and Control Technology, pp Magara, Y. & Morshta, T., 007. Water Supples For Ctes and Industry. Internatonal Journal of Water Resources, 4(1), pp Narvekar, M. & Fargose, P., 015. Daly Weather Forecastng usng Artfcal Neural Network. Internatonal Journal of Computer Applcatons, 11(), pp Putra, N. A., Setawan, B. D. & Adkara, P. P., 018. Peramalan Harga Saham Menggunakan Support Vector Regresson Dengan Algortme Genetka. Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer, (1), pp Qu, H. & Zhang, Y., 016. A New Kernel of Support Vector Regresson for Forecastng Hgh-Frequency Stock Returns. Mathematcal Problems n Engneerng, pp Rusmalawat, V., Furqon, M. T. & Indrat, 018. Peramalan Harga Saham Menggunakan Metode Support Vector Regresson (SVR) Dengan Partcle Swarm Optmzaton (PSO). Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer, (5), pp Scholkopf, B. & Smola, A. J., 004. A tutoral on support vector regresson. Statstcs and Computng, 14(3), pp Tung, H. & Wong, M., 009. Fnancal Rsk Forecastng Wth Nonlnear Dynamcs and Support Vector Regresson. Journal of the Operatonal Research Socety, 60(5), pp Worthngton, A. C., 010. Commercal And Industral Water Demand Estmaton: Theoretcal And Methodologcal Gudelnes for Appled Economcs Research. Estudos de Economa Aplcada, 8(), pp Yu, X., Q, Z. & Zhao, Y., 013. Support Vector Regresson For Newspaper/Magazne Sales Forecastng. Proceda Computer Scence, Volume 17, pp Fakultas Ilmu Komputer, Unverstas Brawjaya
BAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciKata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciPeramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting
Peramalan Produks Sayuran D Kota Pekanbaru Menggunakan Metode Forcastng Esrska 1 dan M. M. Nzam 2 1,2 Jurusan Matematka, Fakultas Sans dan Teknolog, UIN Sultan Syarf Kasm Rau Jl. HR. Soebrantas No. 155
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciREGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear
REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana
Lebih terperinciPENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL
Arad Retno TH, Pengembangan Metode Algortma Gen, Hal 93-0 PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL Arad Retno Tr Hayat Abstrak Metode optmas
Lebih terperinciPrediksi Penerimaan Zakat menggunakan Metode Support Vector Regression (SVR) dengan Flower Pollination Algorithm (FPA)
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 548-964X Vol. 1, No. 7, Jun 017, hlm. 534-544 http://j-ptk.ub.ac.d Predks Penermaan Zakat menggunakan Metode Support Vector Regresson (SVR)
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciREKAYASA TRANSPORTASI LANJUT UNIVERSITAS PEMBANGUNAN JAYA
REKAYASA TRANSPORTASI LANJUT UNIVERSITAS PEMBANGUNAN JAYA Jl. Boulevard Bntaro Sektor 7, Bntaro Jaya Tangerang Selatan 15224 PENDAHULUAN Bangktan perjalanan (Trp generaton model ) adalah suatu tahapan
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif
BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciBAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika
BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
Lebih terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciPEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF
PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak
Lebih terperinciPertemuan ke-4 Analisa Terapan: Metode Numerik. 4 Oktober 2012
Pertemuan ke-4 Analsa Terapan: Metode Numerk 4 Oktober Persamaan Non Non--Lner: Metode NewtonNewton-Raphson Dr.Eng. Agus S. Muntohar Metode Newton Newton--Raphson f( f( f( + [, f(] + = α + + f( f ( Gambar
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciBOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL
BOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL Analss sumbangan sektor-sektor ekonom d Bal terhadap pembangunan ekonom nasonal bertujuan untuk mengetahu bagamana pertumbuhan dan
Lebih terperinciBAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel
4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan untuk
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciMODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 29 MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS Stud Kasus : Kota Surabaya Rokhana DB 1, Sutkno 2, Agnes Tut
Lebih terperinciOPTIMASI MASALAH PENUGASAN. Siti Maslihah
JPM IIN ntasar Vol. 01 No. 2 Januar Jun 2014, h. 95-106 OPTIMSI MSLH PNUGSN St Maslhah bstrak Pemrograman lner merupakan salah satu lmu matematka terapan yang bertuuan untuk mencar nla optmum dar suatu
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
I ENDHULUN. Latar elakang Mengambl keputusan secara aktf memberkan suatu tngkat pengendalan atas kehdupan spengambl keputusan. lhan-plhan yang dambl sebenarnya membantu dalam penentuan masa depan. Namun
Lebih terperinciIII PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan
Pada bab n akan dbahas mengena penyelesaan masalah ops real menggunakan pohon keputusan bnomal. Dalam menentukan penlaan proyek, dapat dgunakan beberapa metode d antaranya dscounted cash flow (DF). DF
Lebih terperinciPengenalan Karakter Tulisan Tangan Angka dan Operator Matematika Berdasarkan Zernike Moments Menggunakan Support Vector Machine
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Prnt) 1 Pengenalan Karakter Tulsan Tangan Angka dan Operator Matematka Berdasarkan Zernke Moments Menggunakan Support Vector Machne
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciSOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN
SOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN Ita Rahmadayan 1, Syamsudhuha 2, Asmara Karma 2 1 Mahasswa Program Stud S1 Matematka
Lebih terperinciMODEL PERSEDIAAN TERINTEGRASI PRODUSEN - DISTRIBUTOR - PENGECER DENGAN MULTI - PRODUK DAN KENDALA TINGKAT LAYANAN
MODEL PERSEDIAAN TERINTEGRASI PRODUSEN - DISTRIBUTOR - PENGECER DENGAN MULTI - PRODUK DAN KENDALA TINGKAT LAYANAN Mkyana Ramadan, Nughthoh Arfaw Kurdh, dan Sutrma Program Stud Matematka FMIPA UNS Abstrak.
Lebih terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciAnalisis Pengaruh Kernel Support Vector Machine (SVM) pada Klasifikasi Data Microarray untuk Deteksi Kanker
OPEN ACCESS ISSN 460-9056 socj.telkomunversty.ac.d/ndojc Ind. Journal on Computng Vol., Issue. 1, Maret 017. pp. 109-118 do:10.1108/ndojc.017.1.169 Analss Pengaruh Kernel Support Vector Machne (SVM) pada
Lebih terperinciPENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT
PENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT Har Prasetyo Jurusan Teknk Industr Unverstas Muhammadyah Surakarta Jl. A. Yan Tromol Pos Pabelan
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciKORELASI DAN REGRESI LINIER. Debrina Puspita Andriani /
KORELASI DAN REGRESI LINIER 9 Debrna Puspta Andran www. E-mal : debrna.ub@gmal.com / debrna@ub.ac.d 2 Outlne 3 Perbedaan mendasar antara korelas dan regres? KORELASI Korelas hanya menunjukkan sekedar hubungan.
Lebih terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciBAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciBAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciBab V Aliran Daya Optimal
Bab V Alran Daya Optmal Permasalahan alran daya optmal (Optmal Power Flow/OPF) telah menjad bahan pembcaraan sejak dperkenalkan pertama kal oleh Carpenter pada tahun 196. Karena mater pembahasan tentang
Lebih terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN
ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha
Lebih terperinciAPLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )
APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka
Lebih terperinciPERBANDINGAN METODE PREDIKSI PENYELESAIAN PROYEK EARNED VALUE MANAGEMENT DAN EARNED SCHEDULE
PERBANDINGAN METODE PREDIKSI PENYELESAIAN PROYEK EARNED VALUE MANAGEMENT DAN EARNED SCHEDULE Elsa Oktavtr And Tenrsukk Tenrajeng 2 Fakultas Teknk Spl Unverstas Gunadarma Abstrak Tujuan utama dalam sebuah
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih terperinciSUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD
SUMBER BELAJAR PENUNJANG PLPG 0 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD BAB V STATISTIKA Dra.Hj.Rosdah Salam, M.Pd. Dra. Nurfazah, M.Hum. Drs. Latr S, S.Pd., M.Pd. Prof.Dr.H. Pattabundu, M.Ed. Wdya
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciBAB III METODE PENELITIAN. Sebelum melakukan penelitian, langkah yang dilakukan oleh penulis
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum melakukan peneltan, langkah yang dlakukan oleh penuls adalah mengetahu dan menentukan metode yang akan dgunakan dalam peneltan. Sugyono (2006: 1) menyatakan:
Lebih terperinciPrediksi Harga Saham menggunakan Support Vector Regression dan Firefly Algorithm
Predks Harga Saham menggunakan Support Vector Regresson dan Frefly Algorthm Stock Market Prce Predcton usng Support Vector Regresson and Frefly Algorthm Alfredo 1, Jondr, Rta Rsmala 3 1,,3 Departemen Informatka,
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Ketahanan pangan adalah ketersedaan pangan dan kemampuan seseorang untuk mengaksesnya. Sebuah rumah tangga dkatakan memlk ketahanan pangan jka penghunnya tdak berada
Lebih terperinciPENGEMBANGAN MODEL PERSEDIAAN BAHAN BAKU DENGAN MEMPERTIMBANGKAN WAKTU KADALUWARSA DAN FAKTOR UNIT DISKON
PENGEMBANGAN MODEL PERSEDIAAN BAHAN BAKU DENGAN MEMPERTIMBANGKAN WAKTU KADALUWARSA DAN FAKTOR UNIT DISKON Har Prasetyo Jurusan Teknk Industr Unverstas Muhammadyah Surakarta Jl. A. Yan Tromol Pos 1, Pabelan,
Lebih terperinciDalam sistem pengendalian berhirarki 2 level, maka optimasi dapat. dilakukan pada level pertama yaitu pengambil keputusan level pertama yang
LARGE SCALE SYSEM Course by Dr. Ars rwyatno, S, M Dept. of Electrcal Engneerng Dponegoro Unversty BAB V OPIMASI SISEM Dalam sstem pengendalan berhrark level, maka optmas dapat dlakukan pada level pertama
Lebih terperinciIII. METODE PENELITIAN
III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinci