Prediksi Data Time Series Tingkat Inflasi di Indonesia dengan Menggunakan Differential Evolution
|
|
- Vera Pranata
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Data Time Series Tingkat Inflasi di Indonesia dengan Menggunakan Differential Evolution Rita Rismala, S.T. 1, Suyanto, S.T., M.Sc., Retno Novi Dayawati, S.Si., M.T. 1,, Institut Teknologi Telkom 1 rismala.rita@gmail.com, suy@ittelkom.ac.id, rvi@ittelkom.ac.id Abstrak Inflasi menjadi indikator yang sangat penting dalam menganalisis perekonomian negara. Oleh karena itu, prediksi terhadap nilai inflasi menjadi penting agar dapat membantu pemerintah dalam mengambil kebijakan untuk menjaga stabilitas moneter dan perekonomian. Pada penelitian ini dilakukan prediksi tingkat inflasi dengan menggunakan prediksi data time series dengan metode Evolutionary Algorithms (EAs). Kelebihan dari EAs adalah mampu menghasilkan banyak solusi secara langsung sehingga model prediksi yang dihasilkan lebih beragam. Differential Evolution (DE) merupakan salah satu jenis EAs. Dibandingkan dengan EAs lain, seperti Genetic Algorithm dan Evolution Strategies yang proses pembangkitan individu barunya bersifat sangat acak, proses pembangkitan individu baru pada DE bersifat semi terarah sehingga lebih cepat konvergen dalam menemukan optimum global. Berdasarkan penelitian yang telah dilakukan dapat diketahui bahwa akurasi prediksi yang didapatkan kurang optimal. Dengan MAPE, pengujian untuk skenario data I adalah.01%, sedangkan untuk skenario data II adalah.18%. Hal ini dikarenakan data historis tingkat inflasi di Indonesia sangat fluktuatif sehingga dengan fungsi prediksi DE yang bersifat linear kurang mampu mengadaptasi pola historis tersebut. Namun, akurasi prediksi dengan menggunakan DE ini jauh lebih baik jika dibandingkan dengan metode prediksi konvensional, yaitu linear regression yang menghasilkan MAPE 0.9% untuk skenario data I dan.% untuk skenario data II, serta moving average yang menghasilkan MAPE.0% untuk skenario data I dan.81% untuk skenario data II. Kata kunci: prediksi, time series, inflasi, Evolutionary Algorithms (EAs), Differential Evolution (DE), MAPE Abstract Inflation is a very important indicator for analyzing economic condition of a country. Therefore, inflation prediction becomes important in order to assist governments in taking policies to maintain monetary and economic stability. In this research, inflation rate is predicted using time series data prediction methods. Evolutionary Algorithms (EAs) can be used to develop prediction models. The advantage of EAs is able to generate many solutions at once so that resulting more prediction models. Differential Evolution (DE) is type of EAs. Compared with other EAs such as Genetic Algorithm and Evolution Strategies which process to generate new individuals is highly random, the process of generating new individuals in the DE are semi-directed so that faster to find the global optimum. Based on the research, the prediction accuracy of DE is less than optimal. MAPE for testing the data scenario I is.01%, while for the data scenario II is.18%. This is because historical data of the inflation rate in Indonesia is very fluctuative, so that the DE with a linear prediction function is less capable to adapt the historical pattern. However, the prediction accuracy using DE is better than the conventional prediction method such as Linear Regression with MAPE 0.9% for data scenarios I and.% for data scenario II, and the Moving Average with MAPE.0% for data scenario I and.81% for data scenario II. Keywords: prediction, time series, inflation, evolutionary algorithms (EAS), differential evolution (DE), MAPE 1. Pendahuluan Makna inflasi adalah persentase tingkat kenaikan harga sejumlah barang dan jasa yang secara umum dikonsumsi rumah tangga. Inflasi dapat menjadi indikator dalam menggambarkan kecenderungan umum tentang perkembangan harga. Indikator tersebut dapat dipakai sebagai informasi dasar untuk pengambilan keputusan baik tingkat ekonomi mikro atau makro, baik fiskal maupun moneter. Pada tingkat mikro, rumah tangga/ masyarakat misalnya, dapat memanfaatkan angka inflasi untuk dasar penyesuaian nilai pengeluaran kebutuhan sehari-hari dengan pendapatan mereka yang relatif tetap. Pada tingkat korporasi, angka inflasi dapat dipakai untuk perencanaan pembelanjaan dan kontrak bisnis. Dalam lingkup yang lebih luas (makro), angka inflasi menggambarkan kondisi/stabilitas moneter dan perekonomian [1] sehingga inflasi menjadi indikator yang sangat penting dalam menganalisis perekonomian negara []. Disebabkan pentingnya hal tersebut, maka prediksi terhadap nilai inflasi ISSN:
2 menjadi penting agar dapat membantu pemerintah dalam mengambil kebijakan untuk menjaga stabilitas moneter dan perekonomian. dapat memberikan gambaran tentang masa depan yang paling mendekati kenyataan. Untuk memprediksi data masa depan dapat dilakukan dengan mempelajari data historis masa lalu. Metode tersebut dinamakan metode prediksi data time series, yaitu metode prediksi yang menggunakan deret waktu (time series) sebagai dasar prediksi. Dengan menerapkan metode prediksi data time series, data yang telah diurutkan berdasarkan waktu akan dipelajari polanya. Hal ini dilakukan agar diketahui fluktuasi yang terjadi pada data. Namun, tidak mudah untuk mempelajari pola tersebut sampai dihasilkan suatu model prediksi yang optimal. Evolutionary Algorithms (EAs) dapat digunakan untuk membangun model prediksi tersebut karena pada dasarnya membangun model prediksi yang optimal merupakan permasalahan optimasi numerik. Kelebihan dari EAs adalah mampu menghasilkan banyak solusi sekaligus. Melalui proses yang mengadopsi prinsip evolusi dan genetika, setiap solusi yang dibangkitkan akan dievaluasi dan mengalami proses evolusi sampai ditemukan solusi optimal sehingga dengan menggunakan EAs model prediksi yang dihasilkan menjadi lebih beragam. Differential Evolution (DE) merupakan salah satu jenis EAs. Dibandingkan dengan EAs lain, seperti Genetic Algorithm (GA) dan Evolution Strategies (ES) yang proses pembangkitan individu barunya bersifat sangat acak, proses pembangkitan individu baru pada DE bersifat semi terarah sehingga lebih cepat konvergen dalam menemukan optimum global. Berdasarkan analisa permasalahan di atas, maka dilakukan penelitian untuk mengimplementasikan DE pada prediksi data time series tingkat inflasi Indonesia tiap bulan dan menganalisis akurasi DE pada prediksi data time series tingkat inflasi Indonesia tiap bulan. Adapun batasan masalah dalam penelitian ini adalah: 1. Dataset yang digunakan untuk data latih, data validasi, dan data uji adalah data tingkat inflasi year on year (yoy) di Indonesia berdasarkan Indeks Harga Konsumen pada bulan Januari 00 Desember 008 yang diambil dari situs yang dilakukan tidak melibatkan variabel-variabel domestik dan variabelvariabel eksternal yang mempengaruhi tingkat inflasi, seperti jumlah uang yang beredar, pendapatan nasional, tingkat suku bunga, nilai tukar rupiah, dan tingkat inflasi luar negeri. Dataset yang digunakan dianggap telah menyimpan faktor-faktor tersebut secara implisit.. yang dilakukan adalah prediksi jangka pendek, yaitu prediksi untuk menentukan tingkat inflasi satu bulan ke depan.. Dasar Teori Inflasi Makna inflasi adalah persentase tingkat kenaikan harga sejumlah barang dan jasa yang secara umum dikonsumsi rumah tangga. Secara umum, perhitungan perubahan harga tersebut tercakup dalam suatu indeks harga yang dikenal dengan Indeks Harga Konsumen (IHK) atau Consumer Price Index (CPI). Persentase kenaikan IHK dikenal dengan inflasi, sedangkan penurunannya disebut deflasi. Inflasi dapat menjadi indikator dalam menggambarkan kecenderungan umum tentang perkembangan harga. Indikator tersebut dapat dipakai sebagai informasi dasar untuk pengambilan keputusan baik tingkat ekonomi mikro atau makro, baik fiskal maupun moneter. Pada tingkat mikro, rumah tangga, atau masyarakat misalnya, dapat memanfaatkan angka inflasi untuk dasar penyesuaian nilai pengeluaran kebutuhan sehari-hari dengan pendapatan mereka yang relatif tetap. Pada tingkat korporasi, angka inflasi dapat dipakai untuk perencanaan pembelanjaan dan kontrak bisnis. Dalam lingkup yang lebih luas (makro), angka inflasi menggambarkan kondisi/stabilitas moneter dan perekonomian [1]...1 Definisi atau peramalan adalah suatu proses dimana pola atau hubungan yang ada diidentifikasi dan polapola ini diekstrapolasi atau diinterpolasi secara optimal. menunjukkan apa yang akan terjadi pada suatu keadaan tertentu dan merupakan input bagi proses perencanaan dan pengambilan keputusan []..1.Metode Time Series Metode prediksi time series mengidentifikasi pola historis (dengan menggunakan waktu sebagai rujukan), kemudian membuat prediksi dengan menggunakan ekstrapolasi berdasarkan waktu untuk pola-pola tersebut. Sebuah model time series mengasumsikan bahwa beberapa pola atau kombinasi pola akan berulang sepanjang waktu. Jadi, dengan mengidentifikasikan dan mengekstrapolasi pola tersebut dapat dilakukan prediksi untuk masa yang akan datang []. Differential Evolution (DE) Differential Evolution (DE) merupakan suatu metode optimasi dengan pendekatan heuristik untuk mencari nilai minimum dari fungsi ruang kontinu yang nonlinier dan non-differentiable. DE bisa menemukan minimum global dari fungsi multidimensional dan multimodal (yaitu fungsi yang 0 ISSN: 088-8
3 memiliki nilai minimum lebih dari satu) dengan probabilitas yang tinggi []. DE menyelesaikan masalah optimasi dengan cara mencari nilai minimum secara paralel menggunakan sejumlah individu dalam suatu populasi. Pada DE, individu baru didapatkan dengan menggunakan perhitungan tertentu berbasis pada perbedaan jarak vektor antar individu orang tua yang disebut differential mutation dan bersifat semi terarah (semidirected). Representasi Individu DE menggunakan representasi real untuk merepresentasikan individu ke dalam bentuk kromosom, dimana suatu individu yang bernilai real bisa dipandang sebagai suatu vektor. Dengan demikian, perbedaan antara dua individu dapat dihitung sebagai jarak antara dua vektor. Seleksi Orang Tua Pemilihan orang tua dilakukan dengan probabilitas yang sama untuk setiap individu tanpa memperhatikan nilai fitness-nya dengan menggunakan distribusi uniform. Differential Mutation Differential mutation merupakan proses untuk membangkitkan vektor (individu) baru. Proses ini bisa dilakukan dengan beragam skema, diantaranya adalah skema DE 1, DE, dan DE. a. Skema DE 1 Skema DE 1 melibatkan tiga individu sebagai orang tua. Untuk setiap vektor i,g, i = 1,,..., NP, dimana NP adalah ukuran populasi, suatu vektor baru dibangkitkan berdasarkan rumus: v xr, G F xr, G xr, G (1) 1 Dimana: r 1, r, r [1, NP ] adalah integer berbeda yang dipilih secara acak dan menyatakan indeks orang tua. F adalah suatu bilangan real dan merupakan konstanta yang mengontrol penguatan differential variation. b. Skema DE Skema DE melibatkan empat individu sebagai orang tua dimana tiga individu merupakan individu yang dipilih secara acak dan satu individu merupakan vektor terbaik saat ini. Untuk setiap vektor i,g, i = 1,,..., NP, dimana NP adalah ukuran populasi, suatu vektor baru dibangkitkan berdasarkan rumus: () v xr, G xbest, G xr, G F xr, G xr, G 1 1 Dimana: merupakan vektor terbaik saat ini. real yang digunakan untuk mempertajam arah pencarian yang berhubungan dengan vektor terbaik saat ini. r 1, r, r [1, NP ] adalah integer berbeda yang dipilih secara acak dan menyatakan indeks orang tua. F adalah suatu bilangan real dan merupakan konstanta yang mengontrol penguatan differential variation. c. Skema DE Skema DE melibatkan lima individu sebagai orang tua. Untuk setiap vektor i,g, i = 1,,..., NP, dimana NP adalah ukuran populasi, suatu vektor baru dibangkitkan berdasarkan rumus: () v xr, G 1 F xr, G xr, G xr, G xr, G Dimana: r 1, r, r, r, r [1, NP ] adalah integer berbeda yang dipilih secara acak dan menyatakan indeks orang tua. F adalah suatu bilangan real dan merupakan konstanta yang mengontrol penguatan differential variation. Rumus yang digunakan pada skema DE 1, DE, dan DE menunjukkan bahwa mutasi pada DE bersifat semi terarah. Rekombinasi Untuk meningkatkan keberagaman vektor-vektor parameter, maka vektor direkombinasi dengan suatu vektor sembarang dalam populasi, misal. Proses rekombinasi menghasilkan vektor seperti berikut: Rekombinasi dilakukan dengan cara: v j, untuk rj CR u j () ( xi, G ), untuk rj CR dimana, dengan D adalah dimensi fungsi yang dioptimasi, adalah bilangan acak yang dibangkitkan untuk setiap posisi gen, CR adalah konstanta rekombinasi dengan. Seleksi Survivor Vektor hasil rekombinasi akan menggantikan vektor i,g pada generasi berikutnya jika menghasilkan nilai yang lebih baik daripada vektor i,g. Namun, jika memberikan nilai yang lebih buruk, maka tidak menggantikan i,g, yang berarti i,g akan tetap muncul pada generasi berikutnya. Proses Evolusi pada Differential Evolution Proses evolusi pada DE menggunakan semua operator evolusi, yaitu seleksi orangtua, mutasi, rekombinasi, dan seleksi survivor seperti pada Gambar 1. ISSN:
4 Inisialisasi Mulai Populasi Seleksi Orang Tua Data Aktual Tingkat Inflasi di Indonesia Parameter DE Terminasi Differential Mutation Pencarian Pola Data Historis yang Optimal Seleksi Survivor Rekombinasi Sejumlah Data Uji Tingkat Inflasi di Indonesia Gambar. Proses Evolusi pada DE Hasil. Analisis Perancangan dan Implementasi Deskripsi dan Analisis Sistem Sistem yang dibangun pada penelitian ini adalah sistem prediksi data time series tingkat inflasi di Indonesia per bulan dengan mengimplementasikan algoritma DE. Secara umum, sistem prediksi data time series yang dibuat terdiri dari dua proses utama, yaitu proses pencarian pola data historis yang optimal dan proses prediksi terhadap sejumlah data uji menggunakan fungsi optimal yang dihasilkan dari proses pencarian pola data historis. Karena peramalan tingkat inflasi ini adalah peramalan menggunakan data time series, maka untuk memprediksi tingkat inflasi pada bulan B hanya menggunakan data tingkat inflasi pada bulanbulan sebelumnya, B 1, B, dan seterusnya. Dengan demikian masalah ini dapat dimodelkan dalam fungsi linear berikut: () Dimana sampai adalah data masukan berupa tingkat inflasi pada bulan-bulan sebelumnya, B 1, B,..., B n. Karena sangat sulit untuk menentukan jumlah data masukkan yang tepat, maka pada kasus ini digunakan n dalam interval [, ]. Sedangkan sampai adalah variabel-variabel real yang nilainya akan dicari berdasarkan data tingkat inflasi yang ada dengan mengimplementasikan DE sehingga didapatkan fungsi yang optimal. Selesai Gambar. Skema Umum Sistem Tingkat Inflasi di Indonesia Perancangan Sistem Perancangan sistem yang dilakukan dalam tugas akhir ini dibagi menjadi dua bagian, yaitu perancangan data yang akan digunakan oleh sistem dan perancangan sistem prediksi. Perancangan Data Perancangan data merupakan bentuk menyiapkan/menyediakan data yang digunakan sebagai data latih, data validasi, dan data uji. a. Data yang digunakan adalah data historis tingkat inflasi di Indonesia yang disajikan perbulan sebanyak enam tahun (00-008). Jadi, jumlah data yang digunakan adalah sebanyak data. b. Pengelompokan data latih, validasi, dan uji dilakukan sesuai dengan dua skenario pengujian data yang digunakan, yaitu : 1) Skenario data pertama Data latih: bulan (00 00) Data validasi: bulan (00 00) Data uji: bulan (00 008) ) Skenario data kedua Data latih: 8 bulan (00 00) Data validasi: 1 bulan (00) Data uji: 1 bulan (008) Perancangan Sistem Berdasarkan analisis yang telah dilakukan sebelumnya, maka sistem prediksi tingkat inflasi di ISSN: 088-8
5 Indonesia dengan mengimplementasikan DE dapat digambarkan seperti pada Gambar berikut. Proses Pencarian Fungsi Optimal Proses Pelatihan Mulai Data Latih adalah untuk mencari kombinasi parameter DE, yaitu jumlah series data, skema DE, ukuran populasi, range F, presentase adaptif F yang paling optimal untuk menghasilkan prediksi dengan tingkat akurasi yang tinggi. Daftar MAPE tiap Fungsi Latih Terminasi Inisialisasi Populasi Evaluasi Individu Seleksi Orang Tua TABEL 1 Daftar Fungsi Latih Seleksi Survivor Rekombinasi Differential Mutation KOMBINASI PARAMETER DE Seleksi Fungsi Latih dan Validasi Hitung Nilai Fitness dan MAPE Fungsi Optimal Proses Data Uji Data Uji Gambar 8. Sistem Tingkat Inflasi di Indonesia dengan Differential Evolution. Implementasi Lingkungan Implementasi Lingkungan implementasi sistem prediksi data time series tingkat inflasi di Indonesia dengan mengimplementasikan DE terdiri dari dua bagian, yaitu perangkat keras dan perangkat lunak dengan spesifikasi sebagai berikut. a. Spesifikasi Perangkat Keras Berikut adalah spesifikasi perangkat keras yang digunakan dalam pengimplementasian sistem: 1) Processor : Intel(R) Core(TM) Duo CPU GHz ) Memory : GB ) Harddisk : 0 GB b. Spesifikasi Perangkat Lunak Berikut adalah spesifikasi perangkat lunak yang digunakan dalam pengimplementasian sistem: 1) Microsoft Windows Home Basic ) Matlab Version.8.0. (R009a). Pengujian Hasil Data Uji Proses Validasi Daftar MAPE tiap Fungsi Validasi Daftar Fungsi Validasi Selesai Hitung Nilai Fitness dan MAPE Data Validasi Skema DE1/ DE/ DE Skenario Data : 1/ Ukuran Populasi Range F Adaptif F N-Series X Jumlah Gen 10 X Jumlah Gen Strategi Pengujian Berdasarkan perancangan sistem dapat disimulasikan suatu sistem prediksi data time series tingkat inflasi di Indonesia dengan mengimplementasikan DE. Dengan menggunakan sistem ini, dilakukan dua jenis pengujian yaitu: 1) Pengujian pada proses pencarian pola data historis yang optimal dengan menggunakan data latih dan data validasi. Pada pengujian ini digunakan beberapa kombinasi antara jumlah inputan series data dan parameter evolusi pada DE. Tujuannya Untuk setiap kombinasi pengujian seperti ditunjukkan pada Tabel 1, dilakukan observasi sebanyak 0 kali dengan maksimum generasi yang digunakan untuk setiap observasi adalah 1000 generasi. ) Pengujian pada proses prediksi data uji Pengujian ini dilakukan untuk mengetahui akurasi DE dalam memprediksi tingkat inflasi satu bulan berikutnya berdasarkan data uji dan fungsi prediksi optimal yang dihasilkan pada proses pencarian pola historis yang optimal. ISSN: 088-8
6 Akurasi prediksi disajikan dalam bentuk Mean Absolute Percentage Error (MAPE). Hasil Pengujian pada Proses Pencarian Pola Data Historis yang Optimal Kombinasi parameter DE yang paling baik dengan nilai rata-rata MAPE seleksi terkecil untuk skenario data I adalah jumlah data masukkan -series, skema DE, ukuran populasi 10 X jumlah gen, range F [0.1, 0.], dan adaptif F 0.0, dengan nilai rata-rata MAPE seleksi 10.8 %. Sedangkan kombinasi parameter DE terbaik untuk skenario data II adalah jumlah data masukkan -series, skema DE 1, ukuran populasi 10 X jumlah gen, range F [0.1, 0.], dan adaptif F 0.0, dengan nilai rata-rata MAPE seleksi %. Dari setiap kombinasi parameter DE terbaik untuk setiap skenario data, dicari fungsi prediksi yang menghasilkan minimum MAPE seleksi dan selanjutnya fungsi prediksi tersebut dinyatakan sebagai fungsi prediksi optimal DE. Rata-rata MAPE seleksi terkecil, kombinasi parameter DE terbaik, dan fungsi prediksi optimal DE dapat dilihat pada Tabel berikut. Gambar 9. Hasil Data Uji Skenario Data 1 dengan Menggunakan DE Pada skenario data II dengan fungsi prediksi optimal DE adalah X1-0.0 X X didapatkan hasil prediksi data uji dengan MAPE.18%, minimum APE 1.089%, maksimum APE 1.1%, dan standar deviasi APE.8, seperti dapat dilihat pada Gambar berikut. TABEL 1 RATA-RATA MAPE SELEKSI TERKECIL, KOMBINASI PARAMETER DE TERBAIK DAN FUNGSI PREDIKSI OPTIMAL DE TIAP SKENARIO DATA Skenario Data 1 Rata-Rata MAPE Seleksi Terkecil 10.8 % % Kombinasi Parameter DE Terbaik Fungsi Optimal DE -series, skema DE, ukuran populasi 10 X jumlah gen, range F [0.1, 0.], dan adaptif F X X -series, skema DE 1, ukuran populasi 10 X jumlah gen, range F [0.1, 0.], dan adaptif F X1-0.0 X X Gambar 10. Hasil Data Uji Skenario Data dengan Menggunakan DE Perbandingan DE dengan Metode Konvensional Berikut adalah grafik perbandingan akurasi DE dengan metode konvensional, yaitu Linear Regression (LR) dan Moving Average (MA) dalam memprediksi data uji tingkat inflasi di Indonesia. Hasil Pengujian Akurasi pada Proses Data Uji Pengujian sistem prediksi dengan menggunakan DE, pada skenario data I dengan fungsi prediksi optimal DE adalah X X didapatkan hasil prediksi data uji dengan MAPE.01%, minimum APE 0.1%, maksimum APE 1.1%, dan standar deviasi APE.901, seperti dapat dilihat pada Gambar berikut. Gambar 11. Perbandingan Hasil Data Uji dengan DE, LR, dan MA ISSN: 088-8
7 Dari Gambar dapat diketahui bahwa akurasi DE lebih baik daripada kedua metode konvensional tersebut.. Kesimpulan dan Saran Kesimpulan Dari hasil pengujian dan analisis yang telah dilakukan dapat diambil beberapa kesimpulan sebagai berikut : 1. data time series tingkat inflasi di Indonesia dengan menggunakan DE menghasilkan akurasi yang kurang optimal. Hal ini dikarenakan data historis tingkat inflasi di Indonesia sangat fluktuatif sehingga DE dengan fungsi prediksi linier kurang mampu untuk mengadaptasi pola historis tersebut. Namun, akurasi prediksi dengan menggunakan DE ini jauh lebih baik jika dibandingkan dengan metode prediksi konvensional, yaitu LR dan MA.. Penggunaan EAs untuk masalah prediksi dapat menghasilkan solusi lebih dari satu model prediksi sehingga dari banyak model tersebut dapat dipilih satu model prediksi yang paling optimal. Saran Saran yang dapat diberikan untuk melakukan pengembangan berikutnya antara lain: 1. Penggunaan data dari variabel-variabel domestik dan variabel-variabel eksternal yang mempengaruhi tingkat inflasi, seperti jumlah uang yang beredar, pendapatan nasional, tingkat suku bunga, nilai tukar rupiah, dan tingkat inflasi luar negeri.. Penggunaan model persamaan yang lebih beragam untuk membangun fungsi prediksi.. Untuk proses evolusi pada DE dalam menemukan solusi yang optimal, dapat dilakukan pengembangan dan percobaan dengan perubahan pada jenis rekombinasi, jenis mutasi, dan mekanisme penggantian populasi yang digunakan. Daftar Pustaka [1] Badan Pusat Statistik Data Strategis BPS. Jakarta: Badan Pusat Statistik [] Endri Analisis Faktor-Faktor yang Mempengaruhi Inflasi di Indonesia. Jurnal Ekonomi Pembangunan Vol. 1 No. 1, April 008 Hal: 1-1 [] StatSoft Time Series Analysis. Diunduh pada: 0 Maret 009. [] Suhartono, Dr., S.Si., M.Sc dan R. Mohamad Atok, S.Si., M.Si. 00. Analisis Time Series. Slide presentasi. Diunduh pada: April 009. [] Suyanto, ST., MSc Evolutionary Computation : Komputasi Berbasis Evolusi dan Genetika. Bandung : Informatika ISSN: 088-8
PREDIKSI TIME SERIES TINGKAT INFLASI INDONESIA MENGGUNAKAN EVOLUTION STRATEGIES
PREDIKSI TIME SERIES TINGKAT INFLASI INDONESIA MENGGUNAKAN EVOLUTION STRATEGIES Universitas Telkom Jl.Telekomunikasi No. 1, Terusan Buah Batu, Bandung ritaris@telkomuniversity.ac.id Abstrak Prediksi tingkat
Lebih terperinciPREDIKSI TINGKAT INFLASI DI INDONESIA BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA. Rita Rismala 1, Said Al Faraby 2
PREDIKSI TINGKAT INFLASI DI INDONESIA BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA Rita Rismala 1, Said Al Faraby 2 1,2 Prodi S1 Informatika, Fakultas Informatika, Universitas Telkom 1 ritaris@telkomuniversity.ac.id,
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih terperinciOPTIMASI HASIL PREDIKSI KETERSEDIAAN ENERGI SUMBER DAYA MINERAL MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI HASIL PREDIKSI KETERSEDIAAN ENERGI SUMBER DAYA MINERAL MENGGUNAKAN ALGORITMA GENETIKA Eka Handayani 1, Jondri,Drs.,M.T. 2, Siti Sa adah,s.t.,m.t. 3 1,2,3 ProdiS1 Teknik Informatika, Fakultas Teknik,
Lebih terperinciPERAMALAN HARGA EMAS MENGGUNAKAN ALGORTIMA MEMETIKA DENGAN PENCARIAN LOCAL TABU SEARCH. Iqbal Dwihanandrio
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 6447 PERAMALAN HARGA EMAS MENGGUNAKAN ALGORTIMA MEMETIKA DENGAN PENCARIAN LOCAL TABU SEARCH Iqbal Dwihanandrio S1 Teknik Informatika
Lebih terperinciRancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika
1 Rancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika Annisti Nurul Fajriyah Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciPenerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem
Penerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem Tri Kusnandi Fazarudin 1, Rasyid Kurniawan 2, Mahmud Dwi Sulistiyo 3 1,2 Prodi S1 Teknik Informatika,
Lebih terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
Lebih terperinciBAB III METODE PENELITIAN. Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika
BAB III METODE PENELITIAN 3.1. Waktu dan Tempat Penelitian Penelitian dilakukan dilingkungan Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Waktu penelitian dilaksanakan
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T
PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi
Lebih terperinciKNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Dalam beberapa tahun terakhir ini, peranan algoritma genetika terutama untuk masalah optimisasi, berkembang dengan pesat. Masalah optimisasi ini beraneka ragam tergantung dari bidangnya. Dalam
Lebih terperinci3.2.3 Resiko, Keuntungan dan Kerugian Forex Metode Prediksi dalam Forex MetaTrader 4 sebagai Platform Trading dalam Forex...
DAFTAR ISI HALAMAN PENGESAHAN... iii PERNYATAAN... iv HALAMAN MOTTO DAN PERSEMBAHAN... v PRAKATA... vi DAFTAR ISI... viii DAFTAR GAMBAR... xi DAFTAR TABEL... xiv DAFTAR PERSAMAAN... xv DAFTAR LAMPIRAN...
Lebih terperinciPeramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika
Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4C3 EVOLUTIONARY COMPUTATION Disusun oleh: Untari Novia Wisesty Syahrul Mubarok PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR
Lebih terperinciANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM)
ANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM) Hanura Ian Pratowo¹, Retno Novi Dayawati², Agung Toto Wibowo³ ¹Teknik Informatika,,
Lebih terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih terperinciPENERAPAN TEKNIK KLASIFIKASI PADA SISTEM REKOMENDASI MENGGUNAKAN ALGORITMA GENETIKA
PENERAPAN TEKNIK KLASIFIKASI PADA SISTEM REKOMENDASI MENGGUNAKAN ALGORITMA GENETIKA Rita Rismala 1, Mahmud Dwi Sulistiyo 2 Program Studi S1 Teknik Informatika, Fakultas Informatika Universitas Telkom 1,
Lebih terperinciMEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB
MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan
Lebih terperinciTEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA. Oleh Dian Sari Reski 1, Asrul Sani 2, Norma Muhtar 3 ABSTRACT
TEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh Dian Sari Reski, Asrul Sani 2, Norma Muhtar 3 ABSTRACT Scheduling problem is one type of allocating resources problem that exist to
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini membahas tentang hal-hal yang menjadi latar belakang pembuatan tugas akhir, rumusan masalah, tujuan, batasan masalah, manfaat, metodologi penelitian serta sistematika penulisan
Lebih terperinciPemodelan Sistem Dinamika antara Suku Bunga Bank Indonesia dengan Kurs Rupiah terhadap Dollar Amerika
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.1 April 2016 Page 1221 Pemodelan Sistem Dinamika antara Suku Bunga Bank Indonesia dengan Kurs Rupiah terhadap Dollar Amerika Hario Adi Ghufron Jurusan
Lebih terperinciPEMODELAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS)
PEMODELAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) SKRIPSI Oleh: NDARU DIAN DARMAWANTI 24010210141010 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP)
Abstrak PENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP) Aulia Fitrah 1, Achmad Zaky 2, Fitrasani 3 Program Studi Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi
Lebih terperinciAPLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS
APLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS Hafid Hazaki 1, Joko Lianto Buliali 2, Anny Yuniarti 2
Lebih terperinciImplementasi Algoritme Average Time Based Fuzzy Time Series Untuk Peramalan Tingkat Inflasi Berdasarkan Kelompok Pengeluaran
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3533-3537 http://j-ptiik.ub.ac.id Implementasi Algoritme Average Time Based Fuzzy Time Series
Lebih terperinciBab II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih terperinciPenjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Jurnal Telematika, vol.9 no.1, Institut Teknologi Harapan Bangsa, Bandung ISSN: 1858-251 Penjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Lebih terperinciPERAMALAN HARGA DINAR DI INDONESIA MENGGUNAKAN GRAMATICAL EVOLUTION
PERAMALAN HARGA DINAR DI INDONESIA MENGGUNAKAN GRAMATICAL EVOLUTION Agung Toto Wibowo dan Bunga Ayu Widhiantika Institut Teknologi Telkom, Bandung atw@ittelkom.ac.id dan charming_klose@yahoo.co.id ABSTRACT
Lebih terperinciAplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)
JTRISTE, Vol.1, No.2, Oktober 2014, pp. 50~57 ISSN: 2355-3677 Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) STMIK Handayani Makassar najirah_stmikh@yahoo.com Abstrak
Lebih terperinci1. BAB I PENDAHULUAN 1.1 Latar Belakang
1. BAB I PENDAHULUAN 1.1 Latar Belakang Indonesia menganut ekonomi terbuka, jadi pertumbuhan ekonomi Indonesia dipengaruhi pertumbuhan ekonomi Internasional. Oleh karena itu, jika terjadi fluktuasi pada
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Algoritma Genetika merupakan metode yang menggunakan evolusi alam sebagai gagasan utamanya dalam menyelesaikan suatu permasalahan tertentu. Algoritma ini diterapkan
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciOptimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme Evolution Strategies
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 5, Mei 2018, hlm. 1874-1882 http://j-ptiik.ub.ac.id Optimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme
Lebih terperinciKAJIAN MODEL INFLASI TAHUNAN KOTA SIBOLGA DENGAN ARIMA DAN PENDEKATAN REGRESI POLINOMIAL PADA ANALISIS MULTIRESOLUSI WAVELET
KAJIAN MODEL INFLASI TAHUNAN KOTA SIBOLGA DENGAN ARIMA DAN PENDEKATAN REGRESI POLINOMIAL PADA ANALISIS MULTIRESOLUSI WAVELET SKRIPSI Oleh: EBEIT DEVITA SIMATUPANG NIM J2E009032 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciOPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA
OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail
Lebih terperinciPENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 1 9 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL MULIA AFRIANI KARTIKA
Lebih terperinciPERBANDINGAN METODE RUNTUN WAKTU FUZZY-CHEN DAN DI INDONESIA
PERBANDINGAN METODE RUNTUN WAKTU FUZZY-CHEN DAN FUZZY-MARKOV CHAIN UNTUK MERAMALKAN DATA INFLASI DI INDONESIA SKRIPSI Disusun Oleh : LINTANG AFDIANTI NURKHASANAH NIM. 24010211120004 JURUSAN STATISTIKA
Lebih terperinciOPTIMASI PENYUSUNAN BOX KOMPONEN PROGRAM SPIRIT DI DALAM CONTAINER UNTUK MEMINIMASI SPACE KOSONG MENGGUNAKAN METODE ALGORITMA GENETIKA
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 2890 OPTIMASI PENYUSUNAN BOX KOMPONEN PROGRAM SPIRIT DI DALAM CONTAINER UNTUK MEMINIMASI SPACE KOSONG MENGGUNAKAN METODE ALGORITMA
Lebih terperinciAlgoritma Evolusi Evolution Strategies (ES)
Algoritma Evolusi Evolution Strategies (ES) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Struktur Dasar Evolution Strategies (ES) 2. Siklus ES (µ, λ) 3. Siklus ES (µ/r + λ) 4. Studi Kasus
Lebih terperinci2 TINJAUAN PUSTAKA. 2.1 Peringkasan Teks
4 2 TINJAUAN PUSTAKA 2.1 Peringkasan Teks Peringkasan teks adalah proses pemampatan teks sumber ke dalam versi lebih pendek namun tetap mempertahankan informasi yang terkandung didalamnya (Barzilay & Elhadad
Lebih terperinciAPLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI SKRIPSI
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Algoritma Genetika Algoritma genetika merupakan algoritma pencarian heuristik ysng didasarkan atas mekanisme seleksi alami dan genetika alami (Suyanto, 2014). Adapun konsep dasar
Lebih terperinciHASIL DAN PEMBAHASAN
26 HASIL DAN PEMBAHASAN Input Data Perdagangan Saham Penelitian ini menggunakan data perdagangan saham tahun 2007 sampai 2008. 08. Saham perusahaan yang digunakan adalah saham PT. Bayu Buana Tbk dengan
Lebih terperinciPenjadwalan Mata Kuliah Menggunakan Metode Hybrid Algoritma Genetika Dan Algoritma Koloni Semut
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 3711 OPEN ACCESS ISSN XXXX-XXXX IND. SYMPOSIUM ON COMPUTING VOL. XX, NO. XX, SEPT 2016 SOCJ.TELKOMUNIVERSITY.AC.ID/INDOSC Penjadwalan
Lebih terperinciImplementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah
Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah
Lebih terperinciPENYELESAIAN MASALAH PENUGASAN DENGAN ALGORITMA GENETIKA TEKNIK CYCLE CROSSOVER.
PENYELESAIAN MASALAH PENUGASAN DENGAN ALGORITMA GENETIKA TEKNIK CYCLE CROSSOVER. Ir. Samuel Lukas, M.Tech*, Dr(Eng). Pujianto Yugopuspito, M.Sc", dan Hadiyanto Asali*" Abstract Assignment problem is one
Lebih terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Globalisasi dunia berdampak luas tidak hanya pada hubungan perdagangan antar negara tetapi juga pada kondisi perekonomian antar negara. Hal ini terbukti dengan meningkatnya
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih terperinciMENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG
MENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG Nico Saputro dan Joice Aritonang Email : nico@home.unpar.ac.id, jo_aritonang@yahoo.com A matrix that has lots of zero elements is called
Lebih terperinciPENJADWALAN DAN PENENTUAN RUTE KENDARAAN PADA INDUSTRI BAHAN KIMIA MENGGUNAKAN KOMBINASI METODE ALGORITMA GENETIKA DAN ALGORITMA PENCARIAN TABU
PRESENTASI TUGAS AKHIR KS091336 PENJADWALAN DAN PENENTUAN RUTE KENDARAAN PADA INDUSTRI BAHAN KIMIA MENGGUNAKAN KOMBINASI METODE ALGORITMA GENETIKA DAN ALGORITMA PENCARIAN TABU Oleh : Maya Sagita W. 5208
Lebih terperinciPenjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT Kereta Api Indonesia (KAI) Daerah Operasi 7 Stasiun Besar Kediri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 11, November 2018, hlm. 4371-4376 http://j-ptiik.ub.ac.id Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika
Lebih terperinciOPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA andra Aditya 1), Wayan Firdaus Mahmudy 2) 1) Program Studi Teknik Informatika, Fakultas Ilmu Komputer Malang Jl. Veteran, Malang 65145, Indonesia
Lebih terperinciBAB II LANDASAN TEORI. digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam
BAB II LANDASAN TEORI 2.1 Valuta Asing Valuta asing dapat diartikan sebagai mata uang yang dikeluarkan dan digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam hukum ekonomi bila terdapat
Lebih terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN Hari Purnomo, Sri Kusumadewi Teknik Industri, Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta ha_purnomo@fti.uii.ac.id,
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK MINIMASI GALAT PADA METODE PERAMALAN ARIMA
Seminar Nasional Sistem Informasi Indonesia, 2-3 November 2015 IMPLEMENTASI ALGORITMA GENETIKA UNTUK MINIMASI GALAT PADA METODE PERAMALAN ARIMA Muhammad Abdurrahman Baraja (1), Wiwik Anggraeni (2) (1,
Lebih terperinciPREDIKSI KETINGGIAN GELOMBANG LAUT PERAIRAN PULAU BINTAN MENGGUNAKAN GRAMMATICAL EVOLUTION
PREDIKSI KETINGGIAN GELOMBANG LAUT PERAIRAN PULAU BINTAN MENGGUNAKAN GRAMMATICAL EVOLUTION Lydia Wati Jurusan Teknik Informatika, Fakultas Teknik Universitas Maritim Raja Ali Haji Email : Lydia.umrah@gmail.com
Lebih terperinciBAB III. Solusi Optimal Permasalahan Penjadwalan Perkuliahan Menggunakan Algoritma Fuzzy Evolusi
BAB III Solusi Optimal Permasalahan Penjadwalan Perkuliahan Menggunakan Algoritma Fuzzy Evolusi Pada bab ini dijelaskan mengenai penerapan dari algoritma fuzzy evolusi pada permasalahan penjadwalan perkuliahan.
Lebih terperinciPrediksi Harga Saham Dengan Metode Fuzzy Time Series dan Metode Fuzzy
Prediksi Harga Saham Dengan Metode Fuzzy Time Series dan Metode Fuzzy Time Series-Genetic Algorithm (Studi Kasus: PT Bank Mandiri (persero) Tbk) Stock Price Prediction Using Fuzzy Time Series and Fuzzy
Lebih terperinciOptimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing
Optimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas
Lebih terperinciIMPLEMENTASI SELF-ADAPTIVE DIFFERENTIAL EVOLUTION WITH NEIGHBORHOOD SEARCH (SANSDE) UNTUK OPTIMASI SISTEM POMPA AIR
IMPLEMENTASI SELF-ADAPTIVE DIFFERENTIAL EVOLUTION WITH NEIGHBORHOOD SEARCH (SANSDE) UNTUK OPTIMASI SISTEM POMPA AIR Isnani Pramusinto 1 1 Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas
Lebih terperinciOptimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir
IJCCS, Vol.6, No.1, January 2012, pp. 101~110 ISSN: 1978-1520 101 Optimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir Putri Elfa Mas`udia* 1, Retantyo Wardoyo
Lebih terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih terperinciBAB II LANDASAN TEORI. digunakan sebagai pedoman perawatan adalah sebuah panduan sebagaimana
BAB II LANDASAN TEORI 2. Konsep Perawatan Pesawat Fokker F27 Buku Pedoman Perawatan yang diberikan oleh pabrik yang akan digunakan sebagai pedoman perawatan adalah sebuah panduan sebagaimana layaknya sebuah
Lebih terperinciBAB III PEMBAHASAN. menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian
BAB III PEMBAHASAN Dalam bab ini akan dibahas mengenai pembentukan portofolio optimum menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian model Fuzzy Mean Absolute Deviation (FMAD)
Lebih terperinciVukovich dinamis yang digabungkan dengan model PRoFIGA didalamnya.
BAB I PENDAHULUAN 1.1. Latar Belakang Fuzzy Evolutionary Algorithm (FEA) merupakan salah satu model hybrid yang menggabungkan dua buah model soft computing yaitu algoritma genetika dan logika fuzzy. FEA
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada awal diciptakan, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan.
Lebih terperinciOptimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika
Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Wayan Firdaus Mahmudy (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas Brawijaya, Malang, Indonesia Abstrak.
Lebih terperinciPEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM
PEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM Syafiul Muzid Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia, Yogyakarta E-mail:
Lebih terperinciPenerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap
Penerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap Candra Bella Vista 1, Wayan Firdaus Mahmudy 2 Program Studi Informatika / Ilmu Komputer Fakultas Ilmu Komputer Universitas
Lebih terperinciAlgoritma Evolusi Real-Coded GA (RCGA)
Algoritma Evolusi Real-Coded GA (RCGA) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Siklus RCGA 2. Alternatif Operator Reproduksi pada Pengkodean Real 3. Alternatif Operator Seleksi 4.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3 Agar penelitian yang dilakukan sesuai dengan tujuan yang diharapkan maka diperlukan langkah-langkah yang tersusun secara sistematis seperti yang dijabarkan pada gambar 3.1
Lebih terperinciPERANCANGAN PENGATURAN DURASI LAMPU LALU LINTAS ADAPTIF
PERANCANGAN PENGATURAN DURASI LAMPU LALU LINTAS ADAPTIF Rudericus Andika Pramudya, Mahmud Imrona 2, Fhira Nhita 3,2,3 Prodi S Teknik Informatika, Fakultas Teknik, Universitas Telkom rudericusdika@gmail.com,
Lebih terperinciISSN: X 77 IMPUTASI MISSING DATA DENGAN K-NEAREST NEIGHBOR DANALGORITMA GENETIKA
ISSN: 2088-687X 77 IMPUTASI MISSING DATA DENGAN K-NEAREST NEIGHBOR DANALGORITMA GENETIKA Ucik Mawarsari Badan Pusat Statistik Jl. Dr. Sutomo 6-8 Jakarta, ucik@bps.go.id ABSTRAK Permasalahan yang sering
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Berikut ini merupakan spesifikasi perangkat keras dan perangkat lunak yang
BAB IMPLEMENTASI DAN EVALUASI. Implementasi Sistem Berikut ini merupakan spesifikasi perangkat keras dan perangkat lunak yang diperlukan agar program simulasi Tata Letak Tempat Sampah dengan Algoritma
Lebih terperinciCrossover Probability = 0.5 Mutation Probability = 0.1 Stall Generation = 5
oleh pengguna sistem adalah node awal dan node tujuan pengguna. Lingkungan Pengembangan Sistem Implementasi Algoritme Genetika dalam bentuk web client menggunakan bahasa pemrograman PHP dan DBMS MySQL.
Lebih terperinciPENDAHULUAN. Latar Belakang. Tujuan Penelitian
PENDAHULUAN Latar Belakang Fungsi Cobb-Douglas dengan galat aditif merupakan salah satu fungsi produksi yang dapat digunakan untuk menganalisis hubungan antara hasil produksi dan faktor-faktor produksi.
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciOPTIMASI KENAIKAN DAN PEMBAGIAN KELAS MENGGUNAKAN ALGORITMA GENETIKA (STUDI KASUS PADA MADRASAH ALIYAH) ABSTRAK
OPTIMASI KENAIKAN DAN PEMBAGIAN KELAS MENGGUNAKAN ALGORITMA GENETIKA (STUDI KASUS PADA MADRASAH ALIYAH) Sunu Jatmika Magister Teknologi Informasi Sekolah Tinggi Teknik Surabaya sunu.srg@gmail.com ABSTRAK
Lebih terperinciAplikasi Sistem Informasi Forecasting pada PD. Maha Jaya. Teknik Informatika 1 Teknik Industri 2 Universitas Kristen Petra Surabaya
Aplikasi Sistem Informasi Forecasting pada PD. Maha Jaya Rudy Adipranata 1, Tanti Octavia 2, Andi Irawan 1 Teknik Informatika 1 Teknik Industri 2 Universitas Kristen Petra Surabaya Pendahuluan Pentingnya
Lebih terperinciBAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:
BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari
Lebih terperinciAdapun rumus matematis dari analisa regresi linier yaitu : y = A 0 + B 0 X + ε Dimana : y = Variable dependent ( variable yang akan diprediksi ) A 0 =
PREDIKSI NILAI SAHAM MENGGUNAKAN PEMROGRAMAN GENETIK DAN PEMROGRAMAN EKSPRESI GEN Aris Sularno Jurusan Informatika, Fakultas Teknologi Industri Universitas Gunadarma Depok, Indonesia Abstrak Prediksi harga
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 PENDEKATAN CROSSOVER TERBARU UNTUK MENYELESAIKAN MULTIPLE TRAVELLING SALESMEN PROBLEM MENGGUNAKAN ALGORITMA GENETIKA (Kata kunci: multiple salemen problem, algoritma genetika,
Lebih terperinciAPLIKASI ALGORITMA GENETIKA UNTUK MERAMALKAN KONSUMSI PREMIUM KOTA DENPASAR
E-Jurnal Matematika Vol. 3 (4), November 2014, pp. 10-17 ISSN: 2303-171 APLIKASI ALGORITMA GENETIKA UNTUK MERAMALKAN KONSUMSI PREMIUM KOTA DENPASAR Victor Mallang 1, Ketut Jayanegara 2, Made Asih 3, I
Lebih terperinciOptimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun Pratama Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 80-84 http://j-ptiik.ub.ac.id Optimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun
Lebih terperinciBab IV Simulasi dan Pembahasan
Bab IV Simulasi dan Pembahasan IV.1 Gambaran Umum Simulasi Untuk menganalisis program pemodelan network flow analysis yang telah dirancang maka perlu dilakukan simulasi program tersebut. Dalam penelitian
Lebih terperinciPengantar Kecerdasan Buatan (AK045218) Algoritma Genetika
Algoritma Genetika Pendahuluan Struktur Umum Komponen Utama Seleksi Rekombinasi Mutasi Algoritma Genetika Sederhana Referensi Sri Kusumadewi bab 9 Luger & Subblefield bab 12.8 Algoritma Genetika 1/35 Pendahuluan
Lebih terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciPREDIKSI INDEKS HARGA SAHAM MENGGUNAKAN KOMBINASI ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) DAN TIME VARIANT FUZZY TIME SERIES (TVFTS)
ISSN : 255-965 e-proceeding of Engineering : Vol.2, No.2 Agustus 205 Page 684 PREDIKSI INDEKS HARGA SAHAM MENGGUNAKAN KOMBINASI ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) DAN TIME VARIANT FUZZY TIME SERIES
Lebih terperinciPREDICTION OF AGRICULTURAL COMMODITIES PRICE USING HYBRID RADIAL BASIS FUNCTION NEURAL NETWORK WITH GENETIC ALGORITHM
PREDIKSI HARGA KOMODITAS PERTANIAN MENGGUNAKAN HYBRID ALGORITMA JARINGAN SYARAF TIRUAN ARSITEKTUR RADIAL BASIS FUNCTION (RBF) DENGAN ALGORITMA GENETIKA PREDICTION OF AGRICULTURAL COMMODITIES PRICE USING
Lebih terperinciPREDIKSI PENYAKIT MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DAN ALGORITMA GENETIKA UNTUK DATA BERDIMENSI TINGGI
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 3771 PREDIKSI PENYAKIT MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DAN ALGORITMA GENETIKA UNTUK DATA BERDIMENSI TINGGI DISEASE
Lebih terperinciPendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner
Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PENJADWALAN UJIAN TUGAS AKHIR PADA JURUSAN TEKNIK INFORMATIKA UNIVERSITAS MUHAMMADIYAH MALANG
PENERAPAN ALGORITMA GENETIKA UNTUK PENJADWALAN UJIAN TUGAS AKHIR PADA JURUSAN TEKNIK INFORMATIKA UNIVERSITAS MUHAMMADIYAH MALANG TUGAS AKHIR Sebagai Persyaratan Guna Meraih Sarjana Strata 1 Teknik Informatika
Lebih terperinci