Prediksi Perilaku Pola Pengunjung Terhadap Transaksi Pada Toko Buku Gramedia Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation

Transkripsi

1 Predisi Perilau Pola Pengunjung Terhadap Transasi Pada Too Buu Gramedia Menggunaan Jaringan Syaraf Tiruan Metode Bac Propagation Iriansyah BM Sangadji Teni Informatia STT PLN Jl Lingar Luar Duri Kosambi Jaarta Barat Abstract There are many methods developed to achieve optimize output in predicting area solving and patterns. This paper focused to explore an implementation bac propagation neural networ method in using to find behavior pattern of visitors and transactions. Model will describe correlations between number of visitors and transaction happen in Gramedia Boo Store at Puri Indah Jaarta. The data research source since July to August 2008 just in visitors and transactions happened. System mode is model of prediction applications based on feedforward bacpropagation neural networ using matlab programming. Discussion about performance measurement of predicting system based on number of transactions and visitors. Patterns and Graphics explain good performance predict system in 80% general. It means the output error values under 20%. System result shows the identification and correlation patterns of visitors and transactions to predict about transaction moment will happen. It will use to decide the shift of time worer or commercial moment. Keywords : Jaringan Syaraf Tiruan, Predisi, Jumlah Transasi Penjualan, Pengunjung, Metode Bacpropagasi 1. PENDAHULUAN Trend penjualan suatu produ atau barang pada perusahaan-perusahaan yang dimasud saat ini terus meningat sesuai dengan ebutuhan masyaraat. Penjualan yang terus meningat aan mempengaruhi pendapatan sebuah perusahaan, sehingga diperluan strategi penjualan yang matang. Sistem penjualan pada umumnya, melihat besarnya omset atau pendapatan dari penjualan suatu barang. Pendapatan tersebut dapat dijadian tolo uur eberhasilan suatu perusahaan dengan melihat sebuah transasi perharinya. Jumlah pengunjung memilii pengaruh yang besar terhadap transasi penjualan. Semain banya pengunjung, semain besar emunginan transasi yang dapat diramalan. Jumlah pengunjung setiap harinya berbeda-beda dan memilii persentase yang tida sama dalam melauan transasi penjualan. Salah satu cara dalam meningatan pendapatan penjualan adalah dengan mempredisi penjualan berdasaran rata-rata jumlah pengunjung sehingga perencanaan strategi penjualan dapat tepat sasaran. 135

2 Jurnal Informatia, Vol. 5, No.2, Desember 2009: PT.Gramedia adalah salah satu perusahaan besar yang bergera dibidang percetaan dan penjualan buu. Dimana setiap harinya menjual buu mencapai lebih dari seratus esemplar. Dapat dibayangan jumlah pengunjung setiap harinya yang memenuhi too buu terbesar ini. Pada awal bulan dan ahir bulan rata-rata penjualan buu meningat diarenaan adanya peningatan jumlah pengunjung. Pengambilan eputusan oleh manajemen mengenai mempersiapan jenis dan tipe buu serta pengaturan penjadwalan aryawan harus dilauan jauh hari sebelumnya. Menggunaan predisi dapat ditentuan jenis buu apa yang mesti dijual pada watunya serta penjadwalan yang bai bagi aryawan Terait dengan hal ini, penulis melauan riset untu mempredisi transasi berdasaran pola yang terjadi dari jumlah pengunjung di PT.Gramedia cabang Puri yang diharapan dapat memberian masuan baru mengenai masalah penjualan. 2. KAJIAN TEORI 2.1 Predisi Dalam riset ini, membahas masalah predisi transasi penjualan berdasaran jumlah pengunjung yang datang pada sebuah too. Pola transasi penjualan setiap harinya berbeda-beda sehingga diperluan sebuah sistem presisi yang dapat melihat emunginan transasi penjualan berdasaran pola yang didapat pada masa yang aan datang. Predisi sendiri sebenarnya mempertimbangan nilai yang belum terlihat pada masa aan datang berdasaran pola-pola yang terjadi sebelumnya. Predisi merupaan proses memprairaan aan sesuatu dengan mengoresi asi sebelumnya, untu meramalan suatu ondisi dibutuhan perhitungan yang tepat guna menjawab permasalahan tersebut. Perhitungan tersebut dapat menggunaan Jaringan Saraf Tiruan dengan Metode Bacpropagasi. Pada tulisan ini data yang digunaan yaitu bulan Juli Agustus data. Data bulan Agustus aan menjadi target dan Bulan Juli menjadi inputan untu diuur esesuaian sistem predisi yang terjadi. Koefisien yang dihasilan aan digunaan sebagai uji data untu bulan September. 2.2 Sistem Saraf Buatan Pembuatan Strutur jaringan saraf tiruan diilhami oleh strutur jaringan biologi, hususnya jaringan ota manusia. Sistem Saraf Buatan adalah sebuah sistem proses informasi yang memilii cara erja dan arateristi seperti jaringan saraf pada mahlu hidup(fausett, 1994). Ini emudian diembangan sebagai generalisasi pemodelan matematia berpola pada saraf ognitif manusia (Zeic, 2000). Sistem ini aan melauan pembelajaran-pembelajaran yang bersifat derifatif untu mencapai sebuah onvergensi(rumehalrt). Dapat diataan juga bahwa Sistem 136

3 Predisi Perilau Pola Pengunjung Terhadap Transas Pada Too Buu Gramedia Menggunaan Jaringan Syaraf Tiruan Metode Bac Propagation (Iriansyah BM Sangadji) saraf tiruan adalah alat bantu yang digunaan secara umum dan diapliasian untu mempredisi, menglasifiasi dan clustering. Sistem AI aan melauan proses belajar sendiri berdasaran data history yang telah didapat, emudian berdasaran itu aan dihasilan experience data yang diprepresentasian pada decision Boundary untu mencapai nilai eluaran. Gambar 1. Strutur jaringan saraf biologi dan Buatan Karateristi dari jaringan saraf tiruan antara lain : a. Memilii emampuan menghasilan output terhadap pola yang belum pernah dipelajari b. Memilii emampuan untu memproses input yang terdapat esalahan didalamnya dengan tingat toleransi tertentu c. Mampu beradaptasi dengan perubahan yang terjadi terhadap nilai-nilai input dan output. Bentu adaptasi ini diwujudan dalam perubahan nilai bobot d. Aurasi predisi pada umumnya cuup tinggi e. Memerluan watu yang relatif lama dalam pembelajaran 137

4 Jurnal Informatia, Vol. 5, No.2, Desember 2009: Gambar 2. Model Tiruan Neuron 2.3 Konsep Dasar Metode Bacpropagation Algoritma pelatihan bacpropagasi atau dapat diterjemahan menjadi propagasi bali, pertama ali dirumusan oleh Werbos dan dipopuleran oleh Rumelhart dan Mccelland untu dipaai pada JST, dan selanjutnya algoritma ini biasa diangat dengan nama BP. Algoritma ini termasu metoda pelatihan supervised dan didisain untu operasi pada jaringan feed forward multi layer. Algoritma ini juga dipaai pada apliasi pengaturan arena proses pelatihannya didasaran pada hubungan yang sederhana. Jia eluaran memberian hasil yang salah, maa bobot penimbang(w) dioresi agar galatnya dapat diperecil dan respon jaringan selanjutnya diharapan aan mendeati hasil sesuai target serta memperbaii bobot penimbang pada lapisan tersembunyi (hidden layer). Secara garis besar, algoritma dapat didesripsian sebagai beriut : etia jaringan diberian pola masuan sebagai pola pelatihan maa pola tersebut menuju e unitunit pada lapisan tersembunyi dengan eluaran : y bs ( ν ) = φ (1) Pada eluaran node error dihitung sebagai : e () t d ( t) y ( t) =...(2) Ketia propagasi pada alur edepan (forward) berahir totalenergi error yang terjadi : 138

5 Predisi Perilau Pola Pengunjung Terhadap Transas Pada Too Buu Gramedia Menggunaan Jaringan Syaraf Tiruan Metode Bac Propagation (Iriansyah BM Sangadji) ε () t = 2 1 e ( t) O 2...(3) Koresi bobot pada propagasi bali: ε ( t) Δ wi ( t) = η = ηδ ( t) yi ( t) w i (4) Atau Δw ( t) = η δ ( t) y ( t) = η e ( t) φ ( ν ( t)) y ( t)..(5) i i Proses yang terjadi adalah proses edepan embali, emudian nilai eluaran dan target dibandingan. Koresi bobot aan berahir jia nilai target sama dengan nilai eluaran. i Gambar 3. Arsitetur BacPropagasi 3. TUJUAN PENULISAN Tujuan penelitian ini adalah untu mengetahui dan mempredisi pola jumlah transasi berdasaran pola jumlah pengunjung, sebagai acuan dalam ranga membuat eputusan ebijaan transasi penjualan dan optimasi penjadwalan tugas aryawan. 139

6 Jurnal Informatia, Vol. 5, No.2, Desember 2009: METODELOGI 4.1 Analisis Permasalahan Gambar 4. Metodelogi Penelitian Berdasaran observasi yang dilauan, too buu Gramedia termasu salah satu tempat favorite yang diunjungi oleh masyaraat. Pada saat-saat tertentu unjungan terlihat padat. Pada Too buu Gramedia cabang Puri, di loasi ini menunjuan peningatan pengunjung pada saat menjelang sore, di awal atau ahir bulan. Di hari libur biasanya terjadi peningatan jumlah pengunjung yang significant bila dibandingan hari biasa. Peningatan jumlah pengunjung tersebut teradang tida berpengaruh terhadap peningatan jumlah transasi. Hal ini terlihat dari bulan Juli dan Agustus sesuai dengan data yang diperoleh. Data tersebut menunjuan jumlah transasi yang 140

7 Predisi Perilau Pola Pengunjung Terhadap Transas Pada Too Buu Gramedia Menggunaan Jaringan Syaraf Tiruan Metode Bac Propagation (Iriansyah BM Sangadji) stabil walaupun terjadi peningatan jumlah pengunjung. Namun demiian uantitas pengunjung cuup membentu Brand Image Gramedia yang menunjuan too buu tersebut banya diunjungi masyaraat. Pola pengaruh jumlah pengunjung terhadap jumlah transasi di bulan Juli dan Agustus dapat diataan bahwa peningatan jumlah pengunjung tida terlalu memberi dampa yang significant terhadap jumlah transasi, hususnya di hari libur. Kemunginan besar, pola tersebut aan berbeda dengan bulan lainnya, tetapi tida dapat digambaran secara jelas arena eterbatasan watu hanya pada bulan Juli dan Agustus. Dapat diasumsian bahwa belum tentu jumlah pengunjung yang banya aan meningatan jumlah transasi atau sebalinya. Jumlah pengunjung yang sediit mungin dapat memberi peningatan pada jumlah transasi yang significant. Namun demiian, berdasaran data yang didapat jumlah pengunjung cuup mempengaruhi jumlah transasi di hari erja. Kondisi ini tentu mempersulit piha Gramedia untu mempredisi jumlah pengunjung dan transasi yang sifatnya tida statis. Grafi Pengunjung Jumlah Pengunjung selasa rabu amis jumat sabtu minggu Hari Grafi Transasi Transasi senin selasa rabu amis jumat sabtu minggu Nama Hari Gambar 5. Grafi Data Jumlah Pengunjung dan Transasi Bulan Juli

8 Jurnal Informatia, Vol. 5, No.2, Desember 2009: Gambar 5 memperlihatan bahwa ecenderungan pengunjung dan transasi yang terjadi lebih tinggi pada hari jumat minggu. Rata-rata jam dengan pengunjung dan transasi lebih pada jam antara dengan puncanya seitar jam Gambar 6. Grafi Korelasi Pengunjung dan Transasi Gambar 6 memperlihatan hubungan antara pengunjung dan transasi yang terjadi. Terlihat terjadi transasi dengan jumlah pengunjung yang tinggi, terutama pada hari jumat hingga minggu. 4.2 Pengumpulan Data Tahap ini diperluan untu menjawab permasalahan. Data yang dimasud merupaan data jumlah pengunjung dan transasi setiap harinya. Piha Gramedia cabang puri indah memberian riset untu data bulan Juli dan Agustus untu dipredisi. Hal ini terait dengan asumsi lonjaan jumlah pengunjung di hari libur yang tida mempengaruhi jumlah transasi. Oleh sebab itu, aan dicari orelasi antara jumlah pengunjung dan transasi dengan mempredisi jumlah transasi berdasaran jumlah pengunjung. 4.3 Perancangan Bagaimana sistem dirancang berdasaran hasil analisis dan data yang telah terumpul di atas. Tahap ini bagaimana merancang suatu arsitetur Jaringan Saraf Tiruan model bacpropagation, logia erja pemodelan sistem dan proses dari sistem yang dirancang. Perancangan sistem ini membutuhan dua tahapan, yaitu menentuan inputan yang dipaai sebagai data masuan untu menjalanan proses pada jaringan saraf tiruan dan parameter untu menentuan laju dan 142

9 Predisi Perilau Pola Pengunjung Terhadap Transas Pada Too Buu Gramedia Menggunaan Jaringan Syaraf Tiruan Metode Bac Propagation (Iriansyah BM Sangadji) berhentinya inerja sistem serta merancang proses pelatihan yang sesuai dengan metode bacpropagasi Alat dan Bahan Gambar 7 Rancangan Arsitetur Jaringan Saraf Dalam melauan pengujian ini digunaan alat dan bahan sebagai beriut: A. Perangat eras : 1. Processor Pentium IV 3.06 Ghz 2. Harddis dengan apasitas 80Gb 3. Memory Komputer yang digunaan sebesar 512 Mb B. Perangat Luna : 1. Sistem Operasi Microsoft Windows XP Profesional 2. Microsoft office 2007 ( excel, power point dan word ) 3. MATLAB 7.0 release Data jumlah pengunjung dan jumlah transasi tiap harinya di PT.Gramedia cabang Puri 4.4 Implementasi Berdasaran hasil rancangan sistem dan platform yang dipilih emudian diimplementasian e dalam pembuatan sistem jaringan saraf tiruan yang sesuai dengan sumber pengetahuan dan data yang didapat. Setelah pelatihan (training) dilauan edua jaringan saraf tiruan tersebut (transasi dan pengunjung) menunjuan performa yang bai dan stabil walaupun diubah beberapa inputan dan nilai parameter, tetapi telah ditemuan nilai default yang menerangan estabilan sistem bila menggunaannya dengan cara coba satu per satu. Hasil di atas menghasilan sebuah pola atau grafi ecendrungan yang dapat dianalisa. Kemudian pola tersebut dice atau diverifiasi untu dilihat apaah sesuai atau sudah menjawab permasalahan. 143

10 Jurnal Informatia, Vol. 5, No.2, Desember 2009: Table 1. Tabel contoh nilai inputan untu pengujian sistem Nama variable atau inputan Jumlah atau nilai Jumlah neuron lapisan tersembunyi 1 12 neuron Jumlah neuron lapisan tersembunyi 2 10 neuron Masimum epochs 20 epochs Target error Learning rate 0.01 Fungsi atifasi layer input purelin Fungsi atifasi layer tersembunyi 1 Logsig Fungsi atifasi layer tersembunyi 2 Tansig Fungsi pembelajaran Trainlm Hari predisi Jum at Bentu normalisasi Mormalisasi -1,1 4.5 Pelatihan dan Pengujian Selanjutnya data aan diuji coba dan hasilnya apaah terdapat nilai eluaran yang sesuai. Jia ya aan lanjut e langah beriutnya yaitu verifiasi dan validasi tetapi jia pelatihan gagal maa perlu memodifiasi aspe perancangan sistemnya. Gambar 8 Nilai bobot dan bias ahir disetiap layer hasil pelatihan 144

11 Predisi Perilau Pola Pengunjung Terhadap Transas Pada Too Buu Gramedia Menggunaan Jaringan Syaraf Tiruan Metode Bac Propagation (Iriansyah BM Sangadji) 4.6 Verifiasi dan Validasi Gambar 9. Hasil Training Pembutian sistem yang telah dibuat apaah sesuai dengan ebutuhan atau tida. Jia sistem sesuai maa selesai jia tida aan mengulang pada tahap implementasi dan pelatihan. 4.7 Pembahasan Tahap ini adalah tahap terahir dari runtunan metodeloginya. Penjelasan dilauan berdasaran penguuran analisis esesuaian eluaran sistem apliasi predisi. 145

12 Jurnal Informatia, Vol. 5, No.2, Desember 2009: Gambar 10 Grafi nilai Error tiap epoch Grafi di atas menjelasan lebih detail terhadap proses pelatihan yang menggunaan fungsi Trainlm. Grafi tersebut merupaan hasil dari proses pelatihan di mana proses pelatihan aan terhenti pada epoch e-8. Peng-update-an epoch terjadi cuup significant pada epoch e-0 sampai 1. Kemudian berangsurangsur bobot mendeati target. Gambar 11. Pola regresi linier data pelatihan terhadap data uji Figure (1) pada gambar 11 menunjuan pola pelatihan yang berhasil terlihat dari nilai gradient (R) = yang berarti menunjuan performance sebesar 96%. Setiap bulatan menujuan data yang dielompoan berdasaran jam. Terjadi 146

13 Predisi Perilau Pola Pengunjung Terhadap Transas Pada Too Buu Gramedia Menggunaan Jaringan Syaraf Tiruan Metode Bac Propagation (Iriansyah BM Sangadji) etepatan predisi di jam dan ditunjuan dengan posisi bulatan bersinggungan dengan garis merah. Garis merah merupaan garis hasil simulasi pelatihan. Performance diataan tida aurat bila nilai garadient di bawah 30%, artinya sistem tida stabil. Figure (6) pada gambar 11 menunjuan pola pengujian terhadap data yang telah dilatih sebelumnya menggunaan data yang telah dijelasan sebelumnya. Hasil uji menunjuan berhasil dengan nilai gradient (R) sebesar atau performance sebesar 97%. Terjadi enaian nilai gradient artinya inerja semain bai dan hasil predisi sudah mencapai etepatan. Pada figure (1) sumbu y menerangan data target yang telah dinormalisasi berdasaran pilihan, yaitu normalisasi -1 dan 1. normalisasi tida berpengaruh besar terhdap hasil predisi dan inerja, yang terpenting performance menunjuan antara 80% sampai 100%. Sumbu x dan y di figure(6) menunjuan jumlah transasidiharijum at. Gambar 12. Subplot data relasi antara pelatihan dan uji Pada plot pertama, menerangan data inputan dan hasil simulasi pelatihan. Tanda bulatan (o) merah menunjuan data transasi yang aan dilatih sedangan tanda tambah (+) hijau menunjuan hasil simulasi pelatihan. Predisi diataan tepat atau berhasil bila edua tanda (o) dan (+) yang berada pada posisi berdampingan. Tanda (o) dan (+) tida pada posisi berdampingan arena pelatihan masih terdapat error. Setiap tanda (o) dan (+) mewaili jam tertentu. Pada neuron pertama nilai error hanya 4% yaitu 0.04, sehingga edua tanda tersebut hampir tepat menumpu. Neuron etiga dengan mempredisian 285 pengnjung memilii nilai error neuron eempat memilii nilai error

14 Jurnal Informatia, Vol. 5, No.2, Desember 2009: sehingga dapat disimpulan bahwa predisi diataan hampir mendeati target pada jam 10-12, dan WIB. Pada plot edua, menerangan etepatan data antara data pelatihan dengan data uji. Data transasi pengujian ditunjuan dengan tanda bulatan (o) biru dan data transasi yang aan dilatih ditunjuan dengan tanda tambah (+) merah. Berdasaran hasil regresi linier di mana memilii inerja lebih bai yaitu 97%, sehingga menghasilan pola data predisi dan data yang aan dilatih hampir tepat. Data yang aan dilatih memilii inputan dengan data transasi bulan juli dan target merupaan data transasi ramalan untu bulan beriutnya. Pada data uji memilii inputan dengan data transasi bulan Juli dan target merupaan data transasi bulan Agustus. Sehingga dapat diataan bahwa pola tersebut menunjuan predisi atau ramalan yang hampir tepat. Gambar 13. Mua antar grafi predisi jumlah transasi dan pengunjung Pada grafi pengunjung menunjuan predisi dengan peningatan yang cuup significant di bulan agustus pada jam WIB, emudian terjadi penurunan pengunjung secara perlahan-lahan hingga jam WIB. Selanjutnya mengalami penurunan yang cuup significant pada saat too tutup. Pada grafi transasi terjadi peningatan secara perlahan hingga jam WIB emudian jumlah transasi mengalami penurunan menjelang too tutup. Grafi ahir menunjuan bahwa walaupun jumlah pengunjung terjadi peningatan yang begitu signifian tetapi jumlah transasi tetap stabil dan etia jumlah pengunjung mengalami penurunan hasil ramalan untu predisi juga mengalami penurunan. 148

15 Predisi Perilau Pola Pengunjung Terhadap Transas Pada Too Buu Gramedia Menggunaan Jaringan Syaraf Tiruan Metode Bac Propagation (Iriansyah BM Sangadji) Gambar 14 Grafi jumlah pengunjung dan transasi bulan Juli dan Agustus Terlihat bahwa sistem predisi di atas menunjuan sediit error dalam melauan pelatihan. Berdasaran data sebenarnya, pada grafi bulan Agustus untu jumlah pengunjung (garis merah), mengalami peningatan yang cuup significant hingga jam WIB. Hasil predisi untu jumlah pengunjung menghasilan grafi yang sama dengan grafi data sebenarnya bulan Agustus yang mengalami peningatan pada jam WIB, hanya saja terdapat perbedaan pola. Hasil pelatihan untu jumlah transasi menunjuan, pola yang bai, terdapat esamaan pola dengan grafi data sebenarnya bulan Agustus, di mana pada jam WIB mengalami peningatan yang onstant, hanya saja pola jumlah transasi hasil pelatihan lebih terlihat tajam peningatannya bila dibandingan dengan data sebenarnya. Kemudian edua pola tersebut, hasil pelatihan mapun data sebenarnya menunjuan grafi penurunan menjelang jam tutup too yaitu WIB. 5. KESIMPULAN Dapat disimpulan bahwa sistem predisi jumlah transasi berdasaran jumlah pengunjung dapat menjawab permasalahan aitan antara jumlah pengunjung dan jumlah transasi pada masa yang aan datang. Telah terlihat dari model ini menghasilan hasil berupa grafi atau pola ecendrungan yang memperlihatan ramalan atau predisi pada bulan beriutnya (Agustus) dengan menggunaan data bulan sebelumnya (Juli). 149

16 Jurnal Informatia, Vol. 5, No.2, Desember 2009: Ketepatan atau aurasi predisinya terlihat dari pola hasil pelatihan emudian dibandingan dengan pola data asli. Terdapat beberapa esalahan ecil dalam perhitungan yang tida signifian arena hal ini dipengaruhi oleh bobot dan bias awal yang diambil secara random pada layer input. Tida hanya pola transasi dan pengunjung yang terlihat dari hasil pelatihan, ternyata model juga menggambaran pola pengunjung yang datang e Gramedia. Hal ini dapat dijadian pertimbangan tentang pergantian pegawai dijam-jam tertentu. Dapat pula merencanaan apan bazar murah mesti diadaan secara optimal, hususnya pada penentuan hari dan jam berapa, pengunjung aan padat. DAFTAR PUSTAKA [AWA07] Away, Gunaldi Abdia,(2007), The shortcut of MATLAB dan Programming. Jaarta : Informatia. [BER97] Berry, Michael., Linoff, Gordon., 1997, Data Mining Techniques for Mareting, Sales and Customer Support, Wiley, New Yor. [FAS94] Fausett, Laurene, 1994, Fundamentals of Neural Networ : Architecture algorithm and Applications, Prentice Hall. [HAL07] Halim, Siana Penerapan Jaringan Saraf Tiruan untu Peramalan. [HAN01] Han, Jiawei., Kamber, Micheline, 2001, Data Mining : Concepts and Tecniques, Morgan Kaufman Publisher, San Francisco. [HAY94] Hayin, Simon, (1994) Neural Networ A Comprehensive Foundation, 2 nd Edition, Prentice Hall [PUS06] Puspitaningrum. Diyah, 2006, Pengantar Jaringan Saraf Tiruan. Yogyaarta : Andi Yogjaarta [PAU07] Paulus, Eric dan Yessica Nataliani GUI Matlab cepat mahir. Yogjaarta :AndiYogjaarta. [PRA99] Pratama, T. Iwan B.,1999. Metode Peramalan Memaai Jaringan Saraf Buatan dengan Cara Bacpropagation, Jurnal Tenologi Industri, Vol. III. No.2, hal [SHA02] Shalahudin,Asep,MT Penerapan Neural Networs Tentang Metode Bacpropagasi Pada Pengenalan Pola Huruf. [WIB07] Wibawa, Prasetya Aji.2007.Analisis Efetifitas Metode Hibrida Neural Networs dan Fuzzy Logic untu Peramalan Valuta Asing. ajipw@yahoo.com [ZEK00] Zeic, Marijana., 2000, Neural Networ Applications in stoc Maret Prediction A methodology Analisys : Zeic, Marijana., 2000, Structure Optimization of Neural networ in relation to underlying Data, 150