MODEL PREDIKSI INDEKS HARGA SAHAM DI BURSA EFEK INDONESIA (BEI) MENGGUNAKAN RANTAI MARKOV DAN PROSES STOKASTIK FUZZY
|
|
- Widyawati Hadiman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 MODEL PREDIKSI INDEKS HARGA SAHAM DI BURSA EFEK INDONESIA (BEI) MENGGUNAKAN RANTAI MARKOV DAN PROSES STOKASTIK FUZZY A. Maulana Muhsin 1, Rian Febrian Umbara 2, Aniq Atiqi Rohmawati 3 1,2,3 Program Studi Ilmu Komputasi Telom University, Bandung 1 muhsinmaulana.a@gmail.com, 2 rianum123@gmail.com, 3 aniqatiqi@telomuniversity.ac.id Abstra Indes harga saham atau stoc prices indexes adalah harga atau nilai dari seelompo saham yang diumpulan berdasaran ategori tertentu. Indes ini merupaan indiator pergeraan harga saham dari seluruh saham yang diwailinya. Perubahan harga saham yang tida menentu menjadi pertimbangan diperluannya predisi untu harga saham di Indonesia pada Bursa Efe Indonesia. Salah satu model yang dapat digunaan untu predisi indes harga saham adalah Rantai Marov dan Proses Stoasti Fuzzy. Tujuan dari penelitian ini adalah mempredisi indes harga saham di Bursa Efe Indonesia dan perhitungan eror yang diperoleh dari Proses Stoasti Fuzzy dan Rantai Marov. Hasil predisi indes harga saham menggunaan Rantai Marov dan Proses Stoasti Fuzzy mempunyai MAPE (Mean Absolute Precentage Eror) dari data latih sebesar 1,40355% dan dari data uji sebesar 0, %. Kata Kunci : Predisi Indes Harga Saham, Indes Harga saham, Proses Stoasti Fuzzy, Rantai Marov, MAPE Abstract Stoc price index or indexes of stoc prices is the price or value a group of stocs that are collected based on specific categories. This index is an indicator of stoc price movements of all the stoc it represents. Change in stoc price index which is uncertain becomes consideration of the need for predictions of stoc prices in the Indonesia Stoc Exchange. One of the models that can be used to predict the stoc price index is a Marov Chain and Fuzzy Stochastic Processes. The purpose of this study is to predict the stoc price index in the Indonesia Stoc Exchange and the eror of the estimates using Fuzzy Stochastic Processes and Marov Chain. The results of the stoc price index prediction using Marov Chain and Fuzzy Stochastic Processes of the data have MAPE (Mean Absolute Percentage Eror) of % for training data and of % for testing data. Keywords: Prediction of stoc price index, Stoc price index, Fuzzy Stochastic Processes, Marov Chain, MAPE 1. Pendahuluan Predisi indes harga saham di Indonesia dapat di jadian salah satu topi yang menari bagi investor saham, dealer, dan broer. Indes harga saham atau stoc prices indexes adalah harga atau nilai dari seelompo saham yang diumpulan berdasaran ategori tertentu. Indes ini merupaan indiator pergeraan harga dari seluruh saham yang diwailinya. Dengan mengetahui pergeraan harga saham saat ini dan pergeraan indes sangat penting arena merupaan suatu yang menggambaran ondisi pasar edepannya dan menjadi indiator penting bagi investor untu menentuan apaah sahamnya aan dijual, ditahan atau bahan membeli satu atau beberapa saham yang dianggap memilii potensi edepannya. Dimana saham adalah satuan nilai atau pembuaan dalam berbagai instrument finansial yang mengacu pada bagian epemilian sebuah perusahaan [1]. Dalam beberapa tahun terahir, jaringan saraf tiruan (ANN), Hidden Marov Model yang diembangan oleh Hassan dan Nath [3] dan Algoritma Genetia (AG) [4] telah banya diesplorasi oleh banya peneliti untu mempredisi harga saham. Namun metode ini memilii eterbatasan untu data yang memilii noise data yang luar biasa dan dimensi yang dibentu sangat omples dari data saham [5]. Teni analisis time series dan model regresi, banya digunaan seperti pada Lee dan Jo [6] menggunaan candlestic chart untu mempredisi watu pasar saham, menerapan penguatan teori untu predisi harga saham. Penelitian yang relevan menggunaan Fuzzy Stochastic Method yang menari mulai berembang penelitiannya oleh para peneliti arena penggunaaanya berhasil diterapan dalam apliasi, seperti model Fuzzy Stochastic [8], Optimasi Fuzzy Stochastic [9] dan lain sebagainya. Lebih diteanan untu studi tentang Wang [10] yang menyajian metode predisi Fuzzy stochastic real-time yang mempredisi harga saham menggunaan Fuzzy linguisctic summary [12] untu menghasilan parameter predisi. Pada saat ini penelitian lebih diteanan untu mencapai aurasi yang lebih bai, rantai Marov dimasuan edalam Proses Stoasti 1
2 Fuzzy dengan parameter menggunaan Fuzzy linguisctic summary dan probabilitas indes saham nai atau turun [11]. 2. Tinjauan Pustaa 2.1 Saham Saham adalah satuan nilai atau pembuaan dalam berbagai instrument finansial yang mengacu pada bagian epemilian sebuah perusahaan [1]. Saham dapat dideifinisian sebagai tanda penyertaan modal seseorang atau piha (badan usaha) dalam suatu perusahaan atau perseroan terbatas. Dengan menyertaan modal tersebut, maa piha tersebut memilii laim atas pendapatan perusahaan, laim atas asset perusahaan, dan berha hadir dalam Rapat Umum Pemegang Saham (RUPS) [13]. 2.2 INDEKS HARGA SAHAM Indes saham atau stoc indexes adalah harga atau nilai dari seelompo saham yang diumpulan berdasaran ategori tertentu. Indes ini merupaan indiator pergeraan harga dari seluruh saham yang diwailinya. Dengan mengetahui indes ita dapat mengetahui pergeraan harga saham saat ini dan pergeraan indes sangat penting arena merupaan suatu yang menggambaran ondisi pasar edepannya dan menjadi indicator penting bagi investor untu menentuan apaah sahamnya aan dijual, ditahan atau bahan membeli satu atau beberapa saham yang dianggap memilii potensi edepannya. 2.3 Bursa Efe Menurut (Marzui Usman, 1994:10), bursa efe adalah wadah tempat bertemunya para broer dan dealer untu melauan jual beli efe (saham dan obligasi). Pada umumnya diluar negeri bursa efe itu diselenggaraan oleh swasta, bahan pemilinya adalah para broer dan dealer itu sendiri. Menurut Undang-Undang Pasar Modal No. 8 tahun 1995, bursa efe adalah piha yang menyelenggaraan dan menyediaan system dan atau sarana untu mempertemuan penawaran jual dan beli efe piha-piha lain dengan tujuan memperdagangan efe diantara merea Bursa Efe Indonesia Bursa Efe Indonesia (BEI) merupaan bursa hasil penggabungan dari Bursa Efe Jaarta (BEJ) dengan Bursa Efe Surabaya (BES) pada tahun 2007 [14]. Bursa Efe Indonesia berpusat di Gedung Bursa Efe Indonesia, Kawasan Niaga Sudirman, Jalan Jenderal Sudirman 52-53, Senayan, Kebayoran Baru, Jaarta Selatan [14]. Pada tugas ahir ini aan dilauan predisi indes harga saham di Bursa Efe Indonesia (BEI) menggunaan onsep rantai Marov dan Proses Stoasti Fuzzy. BEI mempunyai beberapa jenis indes menurut Tjiptopno Darmadji dan Hendy M. Fahrudin [1], antara lain : Indes Harga Saham Gabungan (IHSG), menggunaan semua saham tercatat sebagai omponen perhitungan indes. Tanggal 10 Agustus 1982 ditetapan sebagai hari dasar (nilai indes =100). Indes Setoral, menggunaan semua saham yang termasu dalam masingmasing sector. Indes LQ45, menggunaan 45 saham yang terpilih setelah melalui bebrapa macam selesi yang berdasaran liuiditas perdagangan saham dan disesuaian setiap enam bulan (setiap awal bulan Februari dan Agustus). Jaarta Islamic Index (JII), menggunaan 30 saham yang masu dalam riteria syariah atau indes yang mengaomodasi syariat investasi dalam islam dan termasu saham yang liuid. Indes Individual, yaitu indes harga masing-masing saham terhadap harga dasarnya. 2.4 Indes JII Pada tanggal 3 Juli 2000, PT Bursa Efe Indonesia beerja sama dengan PT Danaresa Investment Management (DIM) meluncuran indes saham yang dibuat berdasaran syariah Islam yaitu Jaarta Islamic Index (JII). Indes ini diharapan menjadi tola uur inerja saham-saham yang berbasis syariah serta untu lebih mengembangan pasar modal syariah [16]. Jaarta Islamic Index terdiri dari 30 saham yang dipilih dari saham-saham yang sesuai dengan syariah Islam. Pada awal peluncurannya, pemilihan saham yang masu dalam riteria syariah melibatan piha Dewan Pengawas Syariah PT Danaresa Investment Management. Aan tetapi seiring perembangan pasar, tugas pemilihan saham-saham tersebut dilauan oleh Bapepam-LK, beerja sama dengan Dewan Syariah Nasional. Hal ini tertuang dalam Peraturan Bapepam LK Nomor II.K.1 tentang Kriteria dan Penerbitan Daftar Efe Syariah. Dari seian banya emiten yang tercatat di Bursa Efe Indonesia, terdapat beberapa emiten yang egiatan usahanya belum sesuai dengan syariah, sehingga saham-saham tersebut secara otomatis belum dapat 2
3 dimasuan dalam perhitungan Jaarta Islamic Index. 2.5 Model Proses Stoasti Fuzzy Proses Stoasti Fuzzy [10] merupaan model yang diembangan oleh Yi-Fan Wang, Shihmin Cheng, Mei-Hua Hsu (2009). Model Proses Stoasti Fuzzy untu mepredisi pada watu actual dari harga saham dan bentu persamaan dari Proses Stoasti Fuzzy [2]: X(n + 1) = X(n)e r n=j dimana r ij = ( n=1 μ(t n+1 ) μ(t n ))/J (1) Parameter r pada asus ini menggunaan rantai Marov. Setelah data didapat, data yang digunaan dielompoan per jam, dengan X n melambangan situasi indes harga saham pada hari e n. Jia X n = 1 merupaan indes harga saham nai, X n = 2 merupaan indes harga saham nai jauh, X n = 3 merupaan indes harga saham turun, X n = 4 merupaan indes harga saham turun jauh. Dimana n = 1, 2, 3, 4. X n adalah sistem indes harga saham. y i (n) = P (X n = i)[2]. p ij merupaan peluang (i = 1, 2, 3, 4; j = 1, 2, 3, 4) pada eadaan dari jam tertentu di ondisi e i dan untu hari beriutnya memilii peluang p ij = P (X n+1 = j (X n = i)[2]. X n+1 tergantung hanya pada X n dan p ij, dan menjadi tida sesuai atau tida relevan untu X n 1, X n 2, X n 3, X n 4,, X n m. Maa, untu peluangnya didapat: y 1 (n + 1) = y 1 (n)p 11 + y 2 (n)p 21 + y 3 (n)p 31 + y 4 (n)p 41 (2) y 2 (n + 1) = y 1 (n)p 12 + y 2 (n)p 22 + y 3 (n)p 32 + y 4 (n)p 42 (3) y 3 (n + 1) = y 1 (n)p 13 + y 2 (n)p 23 + y 3 (n)p 33 + y 4 (n)p 43 (4) y 4 (n + 1) = y 1 (n)p 14 + y 2 (n)p 24 + y 3 (n)p 34 + y 4 (n)p 44 (5) Penelitian ini menggunaan r ij untu mengetahui tingat perubahan ( i = 1, 2, 3, 4; j = 1, 2, 3, 4) dari jam tertentu pada eadaan i untu eadaan hari selanjutnya disebut eadaan j, r ij = ( n= n=1 μ (t n+1 ) μ(t n ))/J. Didefinisian μ(t n ) adalah fungsi eanggotaan fuzzy dan didefinisian sebagai μ(t n ) = (X n y n ) 2 dimana X n nilai obje pada suatu jam tertentu pada suatu hari dan y adalah nilai tertinggi pada suatu jam tertentu dalam yang satu hari [10]. Maa parameter r untu model predisi menggunaan Rantai Marov atau menggunaan persamaan (2)-(5): (6) 2.6 Konsep Rantai Marov Nama rantai Marov ini diambil dari nama Andrei Marov ( ) yang pertama meneliti elauan proses stoasti tersebut setelah proses dalam selang watu yang panjang [15]. Rantai marov adalah proses stoasti watu disrit yang menggambaran eadaan berturut-turut dari suatu sistem[2]. a i (n + 1) = j=1 a j (n)p ji, i = 1, 2,, (7) i=1 a i = 1, n = 1,2,,, (8) p ji 0, i, j = 1,2,,, (9) p ji = 1, j=1 eterangan : i = 1,2,,, a i (n + 1) : peluang a i untu eadaan yang aan datang a j (n)p ji : peluang proses eadaan i pada watu e n : jumlah langah pada saat i (10) Keadaan yang menggambaran suatu sistem terurut adalah disrit, n = 0,1,2,, untu setiap ali n, variabel aca X n menjadi eadaan saat ini. Jia penyederhanaan terjadi maa X 0,X 1,, X n, X n+1 tergantung pada X n. Pada saat mempredisi X n+1 dimana X 0,X 1,, X n, X n-1, maa X n dietahui, jia sistem memilii eadaan seperti ini di setiap n maa disebut rantai Marov. Peluang X n = i, dilambangan a i (n) dan disebut juga peluang eadaan. Peluang dari X n = i untu X n+1 = j, dilambangan dengan P ij dan disebut juga peluang transisi dari sebuah proses stoasti {X n, n 0} pada ruang eadaan S disebut rantai Marov jia i dan j berasal dari S [10]. Pada tugas ahir ini aan digunaan empat eadaaan (state) rantai Marov pada indes harga saham di Bursa Efe Indonesia dengan mengacu pada data seunder yang didapat dari laman Bursa Efe Indonesia (BEI). 2.7 Perhitungan Eror MAPE adalah salah satu metode untu menguji ebaian model dengan mengacu pada tingat esalahannya. Data yang digunaan untu perhitungan nilai MAPE adalah nilai data hasil predisi dari data sebenarnya. Keterangan r i = Data Atual r i = Data Predisi N = Jumlah Data MAPE = 1 n r i r i r i n i=1 3. Perancangan Sistem Hasil perhitungan yang didapat dari penurunan dan penyelesaian model matematia dengan metode Proses stoasti fiuzzy dan Rantai Marov yang 3
4 digunaan terdiri dari beberapa tahapan. Setelah hasil perhitungan didapat, tahap selanjutnya adalah optimasi parameter yang merupaan pilihan opsional pada penelitian ini. Beriut adalah flowchart alur penelitian predisi indes saham di Bursa Efe Indonesia (BEI). 4. Pengujian dan Analisis 4.1 Data Indes Harga Saham JII Data indes harga saham yang digunaan adalah saat data harga penutup (close price). Gambar 1 Diagram Alur Perancangan Sistem Data masuan yang digunaan merupaan data seunder yang diambil pada laman http//: (Bursa Efe Indonesia) data tersebut menjadi acuan untu pembentuan model dan melalui tahap mendapatan matris peluang transisi menggunaan rantai Marov. Rantai Marov disini menggunaan empat eadaan, penggunaan empat eadaan merupaan pengembangan dari penggunaan dua eadaan [2]. Keadaan rantai Marov 1 menyataan indes harga saham nai, 2 menyataan indes harga saham nai jauh, 3 menyataan indes harga saham turun, dan 4 menyataan indes harga saham turun jauh untu mendapatan parameter yang dibutuhan. Setelah parameter didapat dari peluang transisi onsep Rantai Marov selanjutnya masu pada tahap Proses Stoasti Fuzzy dimana proses perhitungan dimulai untu mendapatan predisi yang optimal. 3.1 Data Acuan Data acuan yang digunaan yaitu data perhari dari indes harga saham JII dari Januari tahun 2011 Desember tahun Data ini digunaan sebagai Data training untu menentuan parameter dari model Proses Stoasti Fuzzy dan dalam rantai Marov. Indes harga saham yang digunaan adalah data harga penutup, dan data harga tertinggi. 3.2 Hasil Predisi dan Perhitungan Eror Hasil predisi dilauan dengan pendeatan Rantai Marov untu mendapatan parameter dari model Proses Stoasti Fuzzy antara indes harga saham model Proses Stoasti Fuzzy dengan data acuan. Untu menilai seberapa bagus parameter dari model yang diperoleh dilauan perhitungan eror dengan MAPE (Mean Absolute Percentage Eror). Gambar 2 Grafi Close Price indes harga saham JII Data historis Indes Harga Saham JII yang digunaan pada Tugas Ahir ini dimulai dari Januari 2011 Desember Data tersebut menunjuan terdapat flutuasi harga saham yang nantinya aan diolah dan digunaan untu mencari parameter dari proses stoasti fuzzy. 4.2 Return Harga Saham Return indes harga saham JII perhari dari bulan Januari Desember 2014 yang berjumlah 977 data digunaan untu mengetahui eadaan pada Rantai Marov yang digunaan yaitu Nai, Nai Jauh, Turun, Turun Jauh. Beriut grafi dari return indes harga saham yang digunaan: Gambar 3 Grafi Return Indes Harga Saham JII 4.3 Rantai Marov Untu mengetahui nilai parameter dari proses stoasti fuzzy menggunaan rantai marov seperti pada eqs. (5) (8). Dalam penelitian ini penulis menggunaan empat state pada Rantai Marov yaitu, 1 untu menyataan indes harga saham nai jia retun harga saham berada pada 0 < x 16, 2 untu menyataan indes harga saham nai jauh jia retun harga saham berada x >16, 3 untu menyataan indes harga saham turun jia retun harga saham berada -24 < x 0, 4 untu menyataan indes harga saham turun jauh jia retun harga saham berada pada x -24 dengan megacu pada data masimum dan minimum return yang sudah ditentuan. Proses 4
5 selanjutnya menghitung dan membentu matris peluang transisi dari empat state Rantai Marov. Hasil dari perhitungan dengan bantuan tools Microsoft Excel 2013 sebagai beriut: Tabel 1 Jumlah Data dari masing-masing state Jumlah Setelah didapat jumlah dari empat state selanjutnya aan dibentu matris peluang transisi dengan menggunaan tools OSS-R didapat matris peluang transisi sebagai beriut: 0, , , , , , , [ ] 0, , , , , , , Berdasaran matris peluang transisi diatas, jumlah matris peluang transisi j=1 p ij = 1, misalan untu p 11 + p 12 + p 13 + p 14 = 0, , , ,00792 = 1. Jia eadaan pada hari ini berada pada eadaan nai maa emunginan terbesar pada hari beriutnya aan berada pada eadaan nai dengan peluang p 11 = 0, Jia eadaan pada hari ini berada pada eadaan nai jauh maa emunginan terbesar pada hari beriutnya aan berada pada eadaan turun dengan peluang p 23 = 0, Jia eadaan pada hari ini berada pada eadaan turun maa emunginan terbesar pada hari beriutnya aan berada pada eadaan nai dengan peluang p 31 = 0, Jia eadaan pada hari ini berada pada eadaan nai maa emunginan terbesar pada hari beriutnya aan berada pada eadaan turun dengan peluang p 43 = 0, Perhitungan Parameter Proses Stoasiti Fuzzy Parameter r telah di definisian pada Eq. (6) pada Bab 2.5. dimana parameter tersebut digunaan untu mempredisi indes harga saham dengan menggunaan model proses stoasti fuzzy [2] X(n + 1) = X(n)e r Perhitungan parameter r menggunaan j persamaan r ij = ( n=1 μ(t n+1 ) μ(t n ))/J dengan μ(t n ) adalah fungsi eanggotaan fuzzy dan didefinisian sebagai μ(t n ) = (X n y n ) 2 dimana X nilai obje pada hari tertentu pada suatu hari dan y adalah nilai tertinggi pada hari yang sama dalam satu hari dimana X adalah nilai autal dari indes harga saham dan y adalah nilai tertinggi pada satu hari yang dicapai selanjutnya setelah r ij didapat maa dengan menggunaan persamaan (6) didapat hasil perhitungan parameter r sebagai beriut : r nai = r nai jauh = r turun = r turun Jauh = 0, Parameter yang diperoleh diatas digunaan untu predisi indes harga saham menggunaan proses stoassti fuzzy dengan menentuan return terlebih dahulu. 4.5 Hasil Predisi dari penelitian Proses Stoasti Fuzzy Data uji diperoleh dari laman Bursa Efe Indonesia dengan data perhari ( Dengan data trading dari hari Senin Jumat. Data yang digunaan adalah data indes harga saham JII dari Januari 2011 Desember 2014 digunaan sebagai sebagai data latih yaitu sebanya 977 data dengan basis perhari dan data dari Januari 2015 April 2016 sebagai data uji yang berjumlah 327 data dengan basis perhari. Hasil dari predisi menggunaan proses stoasti Fuzzy adalah grafi antara data atual dengan data hasil predisi dari proses stoasti fuzzy untu data latih dan data uji sebagai beriut: Tabel 2 Data Predisi dengan Data Atual dari data latih Tanggal Data Data Eror Close Atual Predisi , , , , , , , , , , , , , , , , , , , , , , , , , , , , Tabel 2 merupaan beberapa contoh data perbandingan antara data atual dengan predisi dari data latih dan didapat eror dari 0, , Dibawah ini merupaan grafi perbandingan dari data atual dengan data predisi untu data latih: 5
6 untu data uji yang berarti bahwa model proses stoasti fuzzy laya untu digunaan untu mempredisi indes harga saham. Terlihat pada grafi diatas bahwa hasil predisi mendeati pola nilai dari indes harga saham atual. Gambar 4 Grafi Perbandingan Atual dengan Predisi dari data latih. Dari gambar 4 menujuan bahwa grafi dari predisi mengiuti pola dari data atual dari harga saham. Beriut tabel dari hasil perhitungan predisi dan eror dari data uji: Tabel 3 Data Predisi dengan Data Atual dari data uji Tanggal Data Data Eror Close Atual Predisi 02/01/ ,473 05/01/ , /01/ , /01/ , /01/ , /01/ , /01/ , /01/ , /01/ , /01/ , Tabel 3 merupaan beberapa contoh data perbandingan antara data atual dengan predisi dari data uji dan memilii eror 0, , Dibawah ini merupaan grafi perbandingan dari data atual dengan data predisi untu data uji: 5. Kesimpulan dan Saran 5.1 Kesimpulan Berdasaran hasil yang diperoleh, maa dapat disimpulan bahwa: 1. Model Proses Stoasti fuzzy dapat diapliasian untu mempredisi indes harga saham dengan nilai indes harga saham atual dengan hasil yang mendeati pola pada data yang atual. Penggunaan parameter menggunaan rantai marov diperluan sebagai batasan untu menggunaan ondisi yang aan digunaan untu mempredisi indes harga saham edepannya. 2. Berdasaran hasil pengujian model proses stoasti fuzzy dan rantai marov yang dilauan terhadap data atual memilii persentase eror sebesar 1,005473% untu data training sedangan pada data testing sebesar % yang berarti bahwa model proses stoasti fuzzy laya untu digunaan bagi investor saham, dealer, dan broer untu mengambil langah apaah sahamnya dijual, dipertahanan, atau bahan membeli saham. 5.2 Saran Setelah proses pemodelan predisi indes harga saham ini, penulis ingin menyampaain beberapa saran yaitu: 1. Penerapan model predisi indes harga saham dengan metode Proses Stoasti Fuzzy dan Rantai Marov pada basis watu trading dari puul sehingga memunginan predisi lebih aurat. 2. Lauan penggabungan dengan metode pada saat crash untu mengetahui ecocoan model apaah mungin diterapan pada saat crash terjadi. Gambar 5 Grafi Perbandingan Atual dengan Predisi Pada Gambar 5 menunjuan bahwa hasil predisi mendeati pola nilai dari indes harga saham atual. Dengan demiian, hasil dari parameter model proses stoasti fuzzy dan data yang terlebih dahulu diolah dengan running program didapat perhitungan MAPE sebesar 1,40355% untu data latih dan 0, % 6
7 DAFTAR PUSTAKA [1] Darmadji, Tjiptono; Hendy, M. Fahrudin Pasar Modal di Indonesia.Indonesia.Salemba Empat. hal.8. [2] Wang, Yi-Fan. Shihmin Cheng. Mei-Hua Hsu Incorporating the Marov chain concept into fuzzy stochastic prediction of stoc indexes.taiwan. Applied Soft Computing 10 (2010) [3] M.R Hasan, B. Nath, Stoc maret forecasting using hidden Marov model: a new approach, in: Proceedings of 5th International Conference an Intellegent System Design and Application, [4] E.A. Drae, E.R. Mars, Genetics Algorithm in Economics and Finance: Forecasting Stoc Maret Prices and Foreign Exchange A Review, University of New South Wales, Sydney 2052, Australia, [5] K.J. Kim, I.Han, Genetic algorithms approach to feature discretization in artificial neural networs for the prediction of stoc price index, Expert Systems with Applications 19 (2000) (2000) [6] Karim, G. A. Hanafi, A.S An Analytical Examination of the Partial Oxidation of RichMextures of Methane and a Oxygen. Journal of Fossil Fuel Condition. Vol. 33, p [7] K.P. Lam, P.Y. Mo, Stoc price prediction using intraday and AHIPMI data, in:proceedings of 9th International Conference on Neural Information Processing, [8] G.A. Chalam, Fuzzy goal programming (FGP) approach to a stochastic transportation problem under budgetary constraint, Fuzzy Sets and Systems 66 (1994) [9] C.J. Shin, R.A.S. Wangsawidjaja, Mixed fuzzyprobabilistic programming approach for multiobjective engineering optimization with random variables, Computers and Structures 59 (1996) [10] Y.F. Wang, On-demand forecasting of stoc prices using a real-time predictor, IEEE Transactions on Knowledge and Data Engineering 15 (2003) [11] W. Fellep, An Introduction to Probability Theory and its Applications 2/e, John Wiley and Sons, New Yor, [12] D.A. Chiang, R.L. Chow, Y.F. Wang, Mining time series data by a fuzzy linguistic summary system, Fuzzy Sets and Systems 112 (2000) [13] Repository Universitas Sumatra Utara : Saham, [Online]. Available: /27690/Chapter%20II.pdf;jsessionid=A 8AFFC41B4FA E7C1109E?sequence =4. [Diases ]. [14] Bursa Efe Indonesia, IDX, [Online]. Available : [Diases ]. [15] R. Coleman Stochastic Process [Online]. Available : [Diases ]. [16] Kayo, Edison Sutan. Jaarta Islamic Index (JII) [Online]. Available : [Diases 20 Mei 2016]. 7
MODEL PREDIKSI INDEKS HARGA SAHAM DI BURSA EFEK INDONESIA (BEI) MENGGUNAKAN RANTAI MARKOV DAN PROSES STOKASTIK FUZZY
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 3840 MODEL PREDIKSI INDEKS HARGA SAHAM DI BURSA EFEK INDONESIA (BEI) MENGGUNAKAN RANTAI MARKOV DAN PROSES STOKASTIK FUZZY A.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciAplikasi diagonalisasi matriks pada rantai Markov
J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciBAB 2 TEORI PENUNJANG
BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan
Lebih terperinciEstimasi Harga Saham Dengan Implementasi Metode Kalman Filter
Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter eguh Herlambang 1, Denis Fidita 2, Puspandam Katias 2 1 Program Studi Sistem Informasi Universitas Nahdlatul Ulama Surabaya Unusa Kampus B
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciBAB IV APLIKASI PADA MATRIKS STOKASTIK
BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 1333
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 1333 Penentuan Optimal Selling Rules Untuk Saham Sektor Telekomunikasi dengan Algoritma Genetika Determination of Optimal Seliing
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terdahulu Penelitian yang aan dilauan meruju epada beberapa penelitian terdahulu yang sudah pernah dilauan sebelumnya, diantaranya: 1. I Gst. Bgs. Wisuana (2009)
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperinciPERENCANAAN JUMLAH TENAGA PERAWAT DI RSUD PAMEKASAN MENGGUNAKAN RANTAI MARKOV
PERENCANAAN JUMLAH TENAGA PERAWAT DI RSUD PAMEKASAN MENGGUNAKAN RANTAI MARKOV Nama Mahasiswa : Husien Haial Fasha NRP : 1207 100 011 Jurusan : Matematia FMIPA-ITS Dosen Pembimbing : Drs. Suharmadi, Dipl.
Lebih terperinciPenggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler
Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciEstimasi Inflasi Wilayah Kerja KPwBI Malang Menggunakan ARIMA-Filter Kalman dan VAR-Filter Kalman
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) 337-35 (31-98X Print) A-1 Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunaan ARIMA-Filter Kalman dan VAR-Filter Kalman Popy Febritasari, Erna Apriliani
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION
Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION Wahyudi Setiawan
Lebih terperinciUkuran Pemusatan Data
Uuran Pemusatan Data Atina Ahdia, S.Si., M.Si. Universitas Islam Indonesia Uuran Pemusatan Data 1. Mean (rata-rata) 2. Median (nilai tengah) 3. Modus Mean 1. Rata-rata Hitung Misalan terdapat N observasi,
Lebih terperinciPengaruh Proses Stemming Pada Kinerja Analisa Sentimen Pada Review Buku
Jurnal Hasil Penelitian LPPM Untag Surabaya Januari 2018, Vol. 03, No. 01, hal 55-59 jurnal.untag-sby.ac.id/index.php/jhp17 E-ISSN : 2502-8308 P-ISSN : 2579-7980 Pengaruh Proses Stemming Pada Kinerja Analisa
Lebih terperinciBAB IV Solusi Numerik
BAB IV Solusi Numeri 4. Algoritma Genetia Algoritma Genetia (AG) [2] merupaan teni pencarian stoasti yang berdasaran pada meanisme selesi alam dan prinsip penurunan genetia. Algoritma genetia ditemuan
Lebih terperinciMENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE
MENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE Desfrianta Salmon Barus - 350807 Jurusan Teni Informatia, Institut Tenologi Bandung Bandung e-mail: if807@students.itb.ac.id ABSTRAK
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciBAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel
BAB III ANALISIS DISKRIMINAN 3.1 Pengertian Analisis Disriminan Analisis disriminan merupaan sala satu metode yang digunaan dalam analisis multivariat dengan metode dependensi (dimana ubungan antar variabel
Lebih terperinciPERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI
PERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciAKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA
AKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA Aris Puji Widodo, Suhartono 2, Eo Adi Sarwoo 3, dan Zulfia Firdaus 4,2,3,4 Departemen Ilmu Komputer/Informatia,
Lebih terperinciPENERAPAN FUZZY GOAL PROGRAMMING DALAM PENENTUAN INVESTASI BANK
PENERAPAN FUZZY GOAL PROGRAMMING DALAM PENENTUAN INVESTASI BANK Nurul Khotimah *), Farida Hanum, Toni Bahtiar Departemen Matematia FMIPA, Institut Pertanian Bogor Jl. Meranti, Kampus IPB Darmaga, Bogor
Lebih terperinciPERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM
Seminar Nasional Sistem dan Informatia 2007; Bali, 16 November 2007 PERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM Fajar Saptono 1) I ing Mutahiroh
Lebih terperinciEstimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga
JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar ugas Ahir Simulasi Penapisan Kalman Dengan Kendala Persamaan Keadaan Pada Kasus Penelusuran Posisi Kendaraan (Vehicle racing Problem Iput Kasiyanto [], Budi Setiyono, S., M. [], Darjat,
Lebih terperinciAPLIKASI METODE FUZZY MULTI CRITERIA DECISION MAKING (FMCDM) UNTUK OPTIMALISASI PENENTUAN LOKASI PROMOSI PRODUK
APLIKASI METODE FUZZY MULTI CRITERIA DECISION MAKING (FMCDM) UNTUK OPTIMALISASI PENENTUAN LOKASI PROMOSI PRODUK Novhirtamely Kahar, ST. 1, Nova Fitri, S.Kom. 2 1&2 Program Studi Teni Informatia, STMIK
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciPENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR
PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR Ngarap Im Mani 1) dan Lim Widya Sanjaya ), 1) & ) Jurs. Matematia Binus University PENGANTAR Perancangan percobaan adalah suatu
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 ObjePenelitian Obje penelitian merupaan hal yang tida dapat dipisahan dari suatu penelitian. Obje penelitian merupaan sumber diperolehnya data dari penelitian yang dilauan.
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Jadwal Secara Umum Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian watu berdasaran rencana pengaturan urutan erja, daftar atau tabel egiatan
Lebih terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciBAB 3 PRINSIP SANGKAR BURUNG MERPATI
BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di:
ISSN: 339-54 JURNAL GAUSSIAN, Volume 4, Nomor, Tahun 5, Halaman 87-93 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian PENERAPAN FORMULA BENEISH M-SCORE DAN ANALISIS DISKRIMINAN LINIER UNTUK
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
Lebih terperinciPENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursakti ( )
PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursati (13507065) Program Studi Teni Informatia, Seolah Teni Eletro dan Informatia, Institut Tenologi Bandung Jalan Ganesha No. 10 Bandung, 40132
Lebih terperinciBAB 3 METODE PENELITIAN
36 BAB 3 METODE PENELITIAN 3.1 Disain Penelitian Jenis penelitian yang digunaan adalah penelitian desriptif, yaitu penelitian terhadap fenomena atau populasi tertentu yang diperoleh peneliti dari subye
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih terperinciDESKRIPSI SISTEM ANTRIAN PADA BANK SULUT MANADO
DESKRIPSI SISTEM ANTRIAN PADA BANK SULUT MANADO 1 Selvia Hana, Tohap Manurung 1 Jurusan Matematia, FMIPA, Universitas Sam Ratulangi Jurusan Matematia, FMIPA, Universitas Sam Ratulangi Abstra Antrian merupaan
Lebih terperinciNeural Network menyerupai otak manusia dalam dua hal, yaitu:
2.4 Artificial Neural Networ 2.4.1 Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat
Lebih terperinciTransformasi Wavelet Diskret Untuk Data Time Series
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 015 Transformasi Wavelet Disret Untu Data Time Series S - 11 11 Vemmie Nastiti Lestari, Subanar Jurusan Matematia, Faultas Matematia dan Ilmu Pengetahuan
Lebih terperinciModifikasi ACO untuk Penentuan Rute Terpendek ke Kabupaten/Kota di Jawa
187 Modifiasi ACO untu Penentuan Rute Terpende e Kabupaten/Kota di Jawa Ahmad Jufri, Sunaryo, dan Purnomo Budi Santoso Abstract This research focused on modification ACO algorithm. The purpose of this
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciMetode Penggerombolan Berhirarki
4 TINJAUAN PUSTAKA Analisis gerombol dalam bidang riset pemasaran sering diistilahan sebagai analisis segmentasi, merupaan alat statistia peubah ganda yang bertujuan untu mengelompoan n indiidu data e
Lebih terperinciALGORITMA GENETKA PADA MULTI DEPOT VEHICLE ROUTING PROBLEM (MDVRP)
ALGORITMA GENETKA PADA MULTI DEPOT VEHICLE ROUTING PROBLEM (MDVRP) Igusta Wibis Vidi Abar Purwanto 2 FMIPA Universitas Negeri Malang E-mail: wibis.roccity@gmail.com Abstra: Multi Depot Vehicle Routing
Lebih terperinciDany Candra Febrianto ) dan Hindayati Mustafidah )
Penerapan Jaringan Saraf Tiruan dengan Metode Pembelaaran Bacpropagation untu Mengetahui Tingat Kualifiasi Calon Siswa pada Sistem Informasi Penerimaan Siswa Baru di MAN 2 Banarnegara (Application of Artificial
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Variabel Variabel ialah sesuatu yang nilainya berubah-ubah menurut watu atau berbeda menurut elemen/tempat. Umumnya nilai arateristi merupaan variabel dan diberi simbol huruf X.
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperincimungkin muncul adalah GA, GG, AG atau AA dengan peluang masing-masing
. DISTRIUSI INOMIL pabila sebuah oin mata uang yang memilii dua sisi bertulisan ambar () dan nga () dilempar satu ali, maa peluang untu mendapatan sisi ambar adalah,5 atau. pabila oin tersebut dilempar
Lebih terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
Lebih terperinciPERHITUNGAN KEHILANGAN PRATEKAN (LOSS OF PRESTRESS) AKIBAT SUSUT DAN RANGKAK PADA BETON DENGAN MEMPERHITUNGKAN VARIABILITAS SIFAT-SIFAT BETON
PERHITUNGAN KEHILANGAN PRATEKAN (LOSS OF PRESTRESS) AKIBAT SUSUT DAN RANGKAK PADA BETON DENGAN MEMPERHITUNGKAN VARIABILITAS SIFAT-SIFAT BETON M. Sigit Darmawan Dosen Diploma Teni Sipil ITS Email: msdarmawan@ce.its.ac.id
Lebih terperinciSistem Pendukung Keputusan Penerima Beasiswa SMK Menggunakan Metode Backpropagation
Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi Sistem Penduung Keputusan Penerima Beasiswa SMK Menggunaan Metode Bacpropagation Teti Rohaeti 1, Yoyon Kusnendar Suprapto 2, Eo Mulyanto 3
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Fuzzy 2.1.1 Dasar-Dasar Teori Fuzzy Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai estension dari teori onvensional atau crisp set. Di dalam teori crisp
Lebih terperinciBAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain
8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan
Lebih terperinci( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang
LANDASAN TEORI Ruang Contoh Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam ondisi yang sama yang hasilnya tida dapat dipredisi secara tepat tetapi ita dapat mengetahui semua emunginan hasil
Lebih terperinciESTIMASI KEPUTUSAN PEMBERIAN KREDIT BAGI UMKM MENGGUNAKAN JARINGAN SYARAF TIRUAN BERDASARKAN PRINSIP 5C
ESTIMASI KEPUTUSAN PEMBERIAN KREDIT BAGI UMKM MENGGUNAKAN JARINGAN SYARAF TIRUAN BERDASARKAN PRINSIP 5C Safudin 1), Sudi B Huna 2) Program Studi Manajemen Infortia STMIK Profesional Maass safms69@gil.com
Lebih terperinciBAB III MODEL KANAL WIRELESS
BAB III MODEL KANAL WIRELESS Pemahaman mengenai anal wireless merupaan bagian poo dari pemahaman tentang operasi, desain dan analisis dari setiap sistem wireless secara eseluruhan, seperti pada sistem
Lebih terperinciPELABELAN FUZZY PADA GRAF. Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman.
JMP : Volume 6 Nomor, Juni 04, hal. - PELABELAN FUZZY PADA GRAF Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman email : oeytea0@gmail.com ABSTRACT. This paper discusses
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup [1] Sistem endali dapat diataan sebagai hubungan antara omponen yang membentu sebuah onfigurasi sistem, yang aan menghasilan tanggapan sistem yang diharapan.
Lebih terperinci( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciVARIASI NILAI BATAS AWAL PADA HASIL ITERASI PERPINDAHAN PANAS METODE GAUSS-SEIDEL
SEMINAR NASIONAL PENDIDIKAN SAINS Peningatan Kualitas Pembelajaran Sains dan Kompetensi Guru melalui Penelitian & Pengembangan dalam Menghadapi Tantangan Abad-1 Suraarta, Otober 016 VARIASI NILAI BATAS
Lebih terperinciPerhitungan Kehilangan Pratekan Total dengan Memakai Teori Kemungkinan ABSTRAK
Jurnal APLIKASI Volume 5, Nomor 1, Agustus 2008 Perhitungan Kehilangan Pratean Total dengan Memaai Teori Kemunginan M. Sigit Darmawan Dosen Jurusan Diploma Teni Sipil, FTSP - ITS Email: msdarmawan@ce.its.ac.id
Lebih terperinciUji Alternatif Data Terurut Perbandingan antara Uji Jonckheere Terpstra dan Modifikasinya Ridha Ferdhiana 1 Statistics Peer Group
Uji Alternatif Data Terurut Perbandingan antara Uji Joncheere Terpstra dan Modifiasinya Ridha Ferdhiana Statistics Peer Group Jurusan Matematia FMIPA Universitas Syiah Kuala Banda Aceh, Aceh, 23 email:
Lebih terperinciPENERAPAN PROGRAM DINAMIS UNTUK MENGHITUNG ANGKA FIBONACCI DAN KOEFISIEN BINOMIAL
PENERAPAN PROGRAM DINAMIS UNTUK MENGHITUNG ANGKA FIBONACCI DAN KOEFISIEN BINOMIAL Reisha Humaira NIM 13505047 Program Studi Teni Informatia Institut Tenologi Bandung Jl. Ganesha 10, Bandung E-mail : if15047@students.if.itb.ac.id
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN
Ansari Predisi Kelulusan Mahasiswa Dengan Jaringan Syaraf Tiruan PREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN Rudy Ansari STMIK Indonesia Banarmasin e-mail: rudy.ansari@gmail.com ABSTRAK
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciKENDALI LOGIKA FUZZY DENGAN METODA DEFUZZIFIKASI CENTER OF AREA DAN MEAN OF MAXIMA. Thiang, Resmana, Wahyudi
KENDALI LOGIKA FUZZY DENGAN METODA DEFUZZIFIKASI CENTER OF AREA DAN MEAN OF MAXIMA Thiang, Resmana, Wahyudi Jurusan Teni Eletro, Universitas Kristen Petra Jl. Siwalanerto 121-131 Surabaya Email : thiang@petra.ac.id,
Lebih terperinciAPLIKASI WAVELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES. : Agus Sumarno NRP :
APLIKASI WAELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES Nama : Agus Sumarno NRP : 06 00 706 Jurusan : Matematia Dosen Pembimbing : Drs. Daryono Budi Utomo, M.Si Abstra Model time series
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini menggunakan data sekunder bersifat runtun waktu (time series)
III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunaan data seunder bersifat runtun watu (time series) dalam periode tahunan dan data antar ruang (cross section). Data seunder tersebut
Lebih terperinciANALISIS KEPUASAN KONSUMEN TERHADAP PELAYANAN PELAYANAN JASA PENGIRIMAN PAKET (KURIR) DENGAN MENGGUNAKAN METODE TOPSIS FUZZY
Jurnal Manti Penusa Vol No Desember ISSN 88-9 ANALISIS EPUASAN ONSUMEN TERHADAP PELAYANAN PELAYANAN JASA PENGIRIMAN PAET (URIR DENGAN MENGGUNAAN METODE TOPSIS FUZZY Desi Vinsensia Program Studi Teni Informatia
Lebih terperinciFUNGSI BANTU NONPARAMETRIK BARU UNTUK MENYELESAIKAN OPTIMASI GLOBAL
Seminar Nasional Matematia dan Apliasinya, 2 Otober 27 FUNGSI BANTU NONPARAMETRIK BARU UNTUK MENYELESAIKAN OPTIMASI GLOBAL Ridwan Pandiya #, Emi Iryanti #2 # S Informatia, Faultas Tenologi Industri dan
Lebih terperinciPEMPROSESAN ALARM DALAM PERLINDUNGAN SISTEM DAYA LISTRIK MENGGUNAKAN NEURAL NETWORK. Azriyenni
PEMPROSESAN ALARM DALAM PERLINDUNGAN SISTEM DAYA LISTRIK MENGGUNAKAN NEURAL NETWORK Azriyenni Dosen Tetap Teni Eletro Universitas Riau - Peanbaru Abstra Penelitian ini menyelidii mengenai pemprosesan alarm
Lebih terperinciPENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER
PENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER Wiaria Gazali 1 ; Haryono Soeparno 2 1 Jurusan Matematia, Faultas Sains dan Tenologi, Universitas Bina Nusantara Jln. K.H. Syahdan No. 9, Palmerah,
Lebih terperinciESTIMASI TRAJECTORY MOBILE ROBOT MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER SQUARE ROOT (ENKF-SR)
SEMINAR NASIONAL PASCASARJANA SAL ESIMASI RAJECORY MOBILE ROBO MENGGUNAKAN MEODE ENSEMBLE KALMAN FILER SQUARE ROO (ENKF-SR) eguh Herlambang Zainatul Mufarrioh Firman Yudianto Program Studi Sistem Informasi
Lebih terperinciPENERAPAN AKAR KUADRAT PADA ENSEMBLE KALMAN FILTER (EnKF) ABSTRAK
PENERAPAN AKAR KUADRA PADA ENSEMBLE KALMAN FILER (EnKF) Jasmir 1, Erna Apriliani 2, Didi Khusnul Arif 3 Email: ijas_1745@yahoo.co.id ABSRAK Ensemble Kalman Filter (EnKF) merupaan salah satu metode untu
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PERBANDINGAN TINGKAT PELANGGARAN PERLINDUNGAN KEKERASAN PADA ANAK
SISTEM PENDUKUNG KEPUTUSAN PERBANDINGAN TINGKAT PELANGGARAN PERLINDUNGAN KEKERASAN PADA ANAK Airani Elizabeth Mani Program Studi Teni Informatia Jurusan Teni Eletro Faultas Teni Universitas Tanjungpura
Lebih terperinciPencitraan Tomografi Elektrik dengan Elektroda Planar di Permukaan
Abstra Pencitraan omografi Eletri dengan Eletroda Planar di Permuaan D. Kurniadi, D.A Zein & A. Samsi KK Instrumentasi & Kontrol, Institut enologi Bandung Jl. Ganesa no. 10 Bandung Received date : 22 November2010
Lebih terperinciPENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Wahyudi, Sorihi, dan Iwan Setiawan. Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang e-mail : wahyuditinom@yahoo.com.
Lebih terperinciPembentukan model neural network untuk data time series dengan intervensi dan aplikasinya pada data IHK
J. Sains Dasar 2 (2) 9-95 Pembentuan model neural networ untu data time series dengan intervensi dan apliasinya pada data IHK (Formation of neural networ models for time series data with intervention and
Lebih terperinciDESAIN SENSOR KECEPATAN BERBASIS DIODE MENGGUNAKAN FILTER KALMAN UNTUK ESTIMASI KECEPATAN DAN POSISI KAPAL
DESAIN SENSOR KECEPAAN BERBASIS DIODE MENGGUNAKAN FILER KALMAN UNUK ESIMASI KECEPAAN DAN POSISI KAPAL Alrijadjis, Bambang Siswanto Program Pascasarjana, Jurusan eni Eletro, Faultas enologi Industri Institut
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS 1 Ihwannul Kholis, 2 Ahmad Rofii. 1 Universitas 17 Agustus 1945 Jaarta,
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.
Lebih terperinciPenerapan Sistem Persamaan Lanjar untuk Merancang Algoritma Kriptografi Klasik
Penerapan Sistem Persamaan Lanjar untu Merancang Algoritma Kriptografi Klasi Hendra Hadhil Choiri (135 08 041) Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinci