Prediksi Volume Impor Beras Nasional dengan Metode Multi-Factors High-Order Fuzzy Time Series
|
|
- Farida Tedjo
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer e-issn: X Vol., No. 2, esember 207, hlm Predisi Volume Impor eras Nasional dengan Metode Multi-Factors High-Order Fuzzy Time Series Nendiana Putri, Edy Santoso 2, Sigit Adinugroho 3 Program Studi Teni Informatia, Faultas Ilmu Komputer, Universitas rawijaya nendianaputri@gmail.com, 2 edy44@ub.ac.id, 3 sigit.adinu@ub.ac.id Abstra Swasembada beras yang bai diperluan untu menghemat devisa negara yang digunaan untu mengimpor beras. Predisi volume impor beras yang aurat dibutuhan sebagai pertimbangan untu merencanaan langah langah strategis dalam menjaga estabilan swasembada beras nasional. Terdapat berbagai model fuzzy time series, salah satunya adalah metode multi-factors high-order time series. Metode ini membagi data e dalam subinterval dengan panjang yang berbeda, berdasaran pusat cluster yang telah didapatan melalui proses pengelompoan(clustering menggunaan metode fuzzy -Means. Kelebihan dari metode ini adalah dapat menggunaan beberapa antecedent factor serta order lebih dari satu, untu membentu fuzzy logic relationship. isamping dari volume impor beras sebagai fator utama, fator produsi dan onsumsi beras dijadian antecedent factor, arena edua fator tersebut mempengaruhi volume impor beras di Indonesia. Nilai Normalized Root Mean Squared Error (NRMSE minimum yang didapatan dari penelitian ini adalah sebesar 0,298. Nilai NRMSE yang mendeati nol menunjuan bahwa metode multi-factors high-order fuzzy time series dapat melauan predisi volume impor beras dengan bai. Kata unci: predisi, impor beras, fuzzy time series, multi-factors high-order fuzzy time series model, fuzzy -Means. Abstract A good self-sufficient of rice support is needed to save some foreign exchange reserves that used to import rice. An accurate rice import volume prediction is needed to mae a strategic plans for eeping management of rice support stability. Fuzzy time series is one of prediction methods which use past data pattern to projects data in the future. There are some fuzzy time series method s models, one of those models is multi-factors high-order time series model. This method distributes data into several subintervals with different length, depending on centroids that came from clustering process with fuzzy -Means method. Advantage from using multi-factors high-order time series model is this model uses more than one order and antecedent factor to build a fuzzy logic relationship. Antecedent factors that used in this case are rice productions and consumption factors that affect Indonesia s rice import volume. Minimum value of Normalised Root Mean Squared Error (NRMSE obtained in this study. NRMSE value which is almost zero shows that multi-factors high-order fuzzy time series method is a good method for rice import volume prediction. Keywords: prediction, rice imports, fuzzy time series, multi-factors high-order fuzzy time series model, fuzzy -Means.. PENAHULUAN Sampai saat ini, beras (Oryza Sativa merupaan maanan poo bagi hampir seluruh pendudu Indonesia (Panuju, Mizuno, dan Trisasongo, 202. Produsi beras dalam negeri diharapan mampu memenuhi ebutuhan seluruh masyaraat Indonesia, namun enyataannya tida mencuupi, sehingga pemerintah melauan impor beras dengan dalih menjaga cadangan persediaan sto beras di Indonesia (Zaeroni, et al., 206. Impor beras di Indonesia dipengaruhi secara signifian oleh jumlah produsi beras secara negatif bai dalam janga panjang maupun pende, menurut penelitian yang dilauan oleh Kurniyawan pada tahun 203. Sedangan fator yang berpengaruh positif secara signifian terhadap volume impor Faultas Ilmu Komputer Universitas rawijaya 77
2 Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer 772 beras adalah jumlah onsumsi beras (hristianto, 203. Swasembada beras yang bai diperluan untu menghemat devisa negara yang digunaan untu mengimpor beras. Oleh arena itu, predisi volume impor beras yang aurat dibutuhan sebagai pertimbangan untu merencanaan langah langah strategis dalam menjaga estabilan swasembada beras nasional. Kemampuan untu melauan predisi dengan tingat aurasi yang dapat dipertanggungjawaban mampu mempengaruhi perubahan ebijaan eonomi dari sebuah perusahaan atau bahan suatu pemerintahan dan membantu para ator finansial untu membuat eputusan yang tepat (Kayacan, Ulutas, dan Kayna, 200. Fuzzy time series adalah salah satu metode predisi yang menggunaan pola data yang telah lalu untu memproyesian data yang aan datang. Terdapat berbagai model fuzzy time series, salah satunya adalah metode multi-factors high-order time series. Metode ini membagi data e dalam subinterval dengan panjang yang berbeda, serta menggunaan beberapa antecendent factor dan order lebih dari satu, untu membentu fuzzy logic relationship. Kumar dan Kumar, telah melauan penelitian untu mempredisi jumlah produsi beras dengan menggunaan fuzzy time series pada tahun 202, yang menunjuan hasil perbandingan antara nilai predisi dan nilai data sebenarnya cuup sesuai, dengan menggunaan data dalam urun watu selama 20 tahun. an Aghabozorgi dan Wah (204 melauan percobaan dengan menggunaan penggabungan Fuzzy -means (FM untu clustering fuzzy time series dalam topi penggunaan artu redit di Malaysia, yang menunjuan hasil bahwa metode yang diusulan lebih bai daripada metode lain yang ada. Penulis bermasud melauan penelitian dengan judul Predisi Volume Impor eras Nasional engan Metode Multi-Factors High- Order Fuzzy Time Series. Metode ini mengelompoan data menggunaan metode Fuzzy -Means, yang nantinya digunaan untu membagi semesta untu menghasilan fuzzy set yang mereflesian fitur data (Lin dan Yang, Fuzzy Time Series Model dengan m- antecendent-factors n-th order fuzzy relationship dipilih arena lebih rinci dan lebih bai dibanding model single antecendent factor -order fuzzy relationship (Lin dan Yang, Penggunaan model ini sesuai dengan volume impor beras yang dipengaruhi oleh jumlah onsumsi dan produsi beras, maa dari itu penulis berharap penelitian ini dapat membantu piha pemerintah maupun instansi terait dalam melauan pertimbangan, untu menyusun langah langah yang aan ditempuh e depannya demi menjaga stabilitas swasembada beras Indonesia. Penelitian ditujuan untu mengimplementasian metode multi-factors high-order fuzzy time series model untu mempredisi volume impor beras di Indonesia dan mengetahui performa dari metode ini dalam menyelesaian permasalahan tersebut. 2. ASAR TEORI 2.. ata Time Series ata time series merupaan olesi data yang biasanya dielompoan berdasar interval watu tertentu (Kayacan, Ulutas, dan Kayna, 200. Janga watu dapat dielompoan berdasar watu tiap menit, jam, minggu, hari, bulan, tahun, atau interval watu lainnya (Mondal, et al., 205. Peramalan merupaan proses mempredisi sebuah nilai masa depan pada suatu bidang spesifi dengan bantuan dari reaman data data sebelumnya (Mondal, et al., 205. Menurut penelitian yang dilauan oleh Kayacan, Ulutas, dan Kayna (200, pola data merupaan parameter penting dalam memahami bagaimana data time series pada masa lalu aan digunaan. Jia perilau perilau tertentu dapat diperhitungan aan terjadi di masa depan, maa pola data masa lalu dapat digunaan untu menjadi petunju dalam menentuan metode predisi yang sesuai untu contoh asus tersebut Fuzzy -Means Logia fuzzy algoritme berbasis aturan (FL, telah digunaan untu berbagai apliasi yang berbeda dalam literatur (contohnya, pengolahan gambar, ontrol proses, teni, manajemen, pengenalan pola dan lasifiasi, eonomi dan pengambilan eputusan (Alemdag, et al., 206. ezde memperenalan metode clustering dengan menggunaan Fuzzy -Means pada tahun 98 (Singh dan Mahajan, 204. FM merupaan algoritme unsupervised clustering berbasis pada teori himpunan fuzzy, yang memperbolehan setiap elemennya dimilii oleh lebih dari satu cluster (Singh dan Mahajan, 204. FM merupaan teni lasterisasi dimana tiap data ditentuan oleh derajat eanggotaannya yang Faultas Ilmu Komputer, Universitas rawijaya
3 Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer 773 memilii rentang nilai 0 sampai (ebeci dan Yildiz, 205. Algoritme ini digunaan untu melauan analisa dengan membentu beberapa cluster berdasaran jara antar data (Singh dan Mahajan, 204. an setiap cluster memilii satu pusat cluster (Singh dan Mahajan, 204. FM merupaan proses iteratif yang aan berhenti saat jumlah iterasi masimal telah terpenuhi, atau selisih nilai antara dua fungsi objetif urang dari atau sama dengan nilai onvergen yang telah ditentuan(ε. Adapun proses dalam algoritme FM dijelasan sebagai beriut (ebeci dan Yildiz, 205: Menentuan nilai awal sebagai beriut (ezde, et al., 984: a. Jumlah cluster (c 2, b. Pembobot ( > w >, c. Iterasi masimum (maxiter, d. Nilai esalahan terecil yang diharapan (ε = nilai positif yang sangat ecil, e. Fungsi objetif awal (P 0 = 0, f. Iterasi awal (t =. Memasuan data X yang aan dilasterisasi, berupa matris beruuran n x m (n = jumlah data sampel, m = atribut setiap data. X ij = data sampel e-i (i =, 2, 3,, n, atribut e-j (j =, 2, 3,, m. Membangitan bilangan random µ i, yang mana i menunjuan baris dan menunjuan olom posisi nilai tersebut dalam matris sebagai elemen matris partisi awal. ilangan penyusun matris partisi awal dihitung jumlahnya tiap olom (Q. Menghitung derajat eanggotaan awal dengan melauan normalisasi matris partisi. Normalisasi dilauan menggunaan Persamaan (. µ i µ i ( Q Menghitung pusat cluster e- (V j menggunaan Persamaan (2. V j n i ( n i i w X i w ij (2 imana: V j = pusat cluster pada cluster e- ( =, 2, 3,, c dan atribut e-j (j =, 2, 3,, m, µ i = derajat eanggotaan data e-i (i =, 2, 3,, n pada cluster e-, X ij = data sampel e-i, atribut e-j, dan w = pembobot. Menghitung fungsi objetif pada iterasi et (P t menggunaan Persamaan (3. P t n i c m 2 w X ij Vj i j (3 imana: V j = pusat cluster pada cluster e- dan atribut e-j, = fungsi objetif, dan P t X ij = data sampel e-i, atribut e-j. Menghitung perbaian matris partisi menggunaan Persamaan (4. m 2 w X j ij V j (4 i c m 2 w X j ij V j imana: V j = pusat cluster pada cluster e- dan atribut e-j, w = pembobot, dan X ij = data sampel e-i, atribut e-j Multi-Factors High-Order Fuzzy Time Series Pada tahun 2009, Lin dan Yang melauan penelitian tentang Multi-Factors High-Order Fuzzy Time Series yang menggunaan 4-factors 3 rd order Fuzzy Time Series. Langah langah yang diusulan adalah sebagai beriut (Lin dan Yang, 2009: Penentuan Universe of iscourse Universe of iscourse (U ditentuan dengan menggunaan Persamaan (5. U min, max (5 imana: min : Nilai terecil dari data sampel max : Nilai terbesar dari data sampel : Standar eviasi ata Penentuan jumlah cluster data Pengelempoan (clustering digunaan untu membagi Universe of iscource e dalam beberapa subinterval. anyanya cluster ( ditentuan dengan menggunaan Faultas Ilmu Komputer, Universitas rawijaya
4 Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer 774 Persamaan (6. min max / n X ( t X ( t t 2 (6 n imana: : Jumlah cluster : Nilai terecil dari data sampel : Nilai terbesar dari data sampel : ata pada watu Apabila hasil perhitungan bernilai pecahan, maa dibulatan menjadi bilangan bulat. Pembentuan subinterval min max X (t Proses pengelompoan data menggunaan FM untu mendapatan pusat cluster sebanya. Universe of iscourse dibagi dalam interval: (, d, (d,d2, (d2,d3,, (d -,, dimana d i (i=, 2,, - adalah titi tengah antara dua pusat cluster. subinterval dinyataan sebagai u, u 2,, u. Subinterval dengan panjang berbeda dapat mereflesian strutur data omples dengan lebih bai dibanding pembagian subinterval sama panjang. Pembentuan fuzzy set min max Himpunan fuzzy A i (i=, 2,, dibentu seperti pada Persamaan (7. Persamaan (2. Pembentuan fuzzy set A f / u f / u... f / u A A 2 f f 2 / u f / u f 2 / u / u... f... f 2 t / u imana 2 eanggotaan dari / u (7 f ij menyataan derajat u j pada himpunan fuzzy A i (i=, 2,,. an symbol + menunjuan operator gabungan. Fuzzifiasi dihasilan seperti Persamaan (8., ( t 3, i3, ( t 2, i2, ( t 3, j3 ( t 2, j2 ( t 3, ( t 2, ( t 3, q3 ( t 2, q2 ( t, i, ( t, j ( t, p ( t, q A( t, i4 imana i, i 2, i 3, i 4 =, 2,, 2 ; p, p 2, p 3 =, 2,, 3 ; q, q 2, q 3 =, 2,, 4. Sehingga dihasilan FLR n-3 dan terbentulah seumpulan fuzzy logic relationship seperti pada Tabel. Tabel. Fuzzy Logic Relationship ( t3, i3, ( t3, j3 ( t3, ( t3, q3 ( t, i, ( t, j ( t, p ( t, q ( t, i, ( t, j ( t, p ( t, q, A ( t2, i3, ( t2, j3 ( t2, ( t2, q3 A, ( t, i4 ( t, i4, (8 ( t2, i2, ( t2, j2 ( t2, ( t2, q2 ( t, i2, ( t, j2 ( t, ( t2q2 : :, ( tn7, i3, ( tn6, i2, ( tn5, i, efuzzifiasi ( t n7, j3 ( tn6, j2 ( t n5, j ( tn7, ( tn6, ( tn5, p ( tn7, q3 ( tn6, q2 ( tn5, q, A,, ( tn4, i4 Fator fator di ruas iri (antecendent factor pada Persamaan (8 dibandingan satu per satu dengan FLR pada Tabel. engan cara menghitung nilai absolut selisih antara pangat bawah edua fator pada posisi yang sama di masing masing FLR. Jia nilai total selisih lebih ecil dari threshold, maa edua FLR tersebut dinyataan coco. Apabila satu FLR menemuan N pasangan yang coco pada Tabel, maa N fator ruas anan (secedent dari N FLR tersebut mendasari peramalan himpunan fuzzy A. Tabel 2. Fuzzy Forecasting Set Secedent factor Pusat cluster Freuensi Masing masing data dihitung derajat eanggotaannya terhadap himpunan fuzzy yang sudah dibentu, derajat eanggotaan tertinggi menentuan hasil fuzzifiasi data tersebut. Pembentuan Fuzzy Logic Relationship (FLR A(*, c f A(*,2 c2 f2... A(*, c f ata sampel sebanya n periode dipilih sebagai data latih. Misal, t adalah periode yang aan diramalan, dengan order 3, maa 3 periode sebelum t adalah t-3, t-2, t-, dimana t=4,5,,n. Kemudian FLR Metode centroid diterapan untu melauan defuzzifiasi. erdasar Tabel 2, nilai peramalan aan dihitung menggunaan Persamaan (9. Faultas Ilmu Komputer, Universitas rawijaya
5 Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer 775 r T i c f i i i f i imana: = Hasil peramalan hari e- T r T c i i (9 = Pusat cluster I dimana A ( *,i adalah secedent dari FLR hasil proses pencocoan f i = Freuensi munculnya A ( *,i pada saat proses pencocoan 3. METOOLOGI PENELITIAN ata yang digunaan dalam penelitian ini merupaan data yang didapatan dari laporan tahunan yang diterbitan oleh Kementerian Pertanian Indonesia terait swasembada beras di Indonesia (volume impor, jumlah produsi, dan jumlah onsumsi beras di Indonesia per tahun. alam urun watu seja tahun (Pusat ata dan Sistem Informasi Pertanian Kementerian Pertanian, 206. Perangat luna untu mempredisi volume impor beras nasional diimplementasian menggunaan metode Multi Factors High Order Fuzzy Time Series Model. alam penelitian ini terdapat tiga antecedent factor dengan order lebih dari satu. Antecedent factor yang digunaan meliputi fator-fator yang mempengaruhi volume impor beras nasional yaitu produsi beras dan onsumsi beras nasional. Volume impor beras nasional merupaan fator utama dalam proses predisi. Order adalah jumlah urutan data time series yang mempengaruhi nilai data pada periode watu e-t. Masuan yang digunaan untu perangat luna meliputi data volume impor beras nasional, produsi beras, dan onsumsi beras, serta masuan pengguna berupa nilai order, threshold, jumlah data latih dan data uji. Langah-langah dalam melauan predisi menggunaan metode ini adalah sebagai beriut:. Penentuan universe of discourse dengan menggunaan data masuan sebanya n, untu emudian dicari nilai terecil ( min dan nilai terbesar ( max nya. an dihitung nilai rata-rata (mean dan standar deviasi dari data masuan sebanya n. Menentuan U dengan Persamaan (5. imana nilai batas atas diperoleh dari hasil penjumlahan simpangan bau dengan max, dan nilai batas bawah merupaan hasil pengurangan simpangan bau dengan min. 2. Penentuan jumlah cluster dengan menggunaan Persamaan (6 dilauan setelah melauan pencarian terhadap nilai absolut dari selisih data tahun e-t dan tahun sebelumnya (t-. Hasil dari perhitungan menggunaan Persamaan (6 untu masing masing fitur dibulatan jia berupa pecahan. 3. Pembentuan subinterval. Terlebih dahulu pusat cluster ditentuan dengan Persamaan (2. Pada tahap inilah algoritme fuzzy c- means digunaan untu lasterisasi data. atas subinterval masing masing cluster ditentuan dengan mencari nilai tengah dari masing - masing pusat cluster. Jumlah subinterval pada setiap fator berbeda-beda, sesuai dengan jumlah cluster (. Adapun batas subinterval dibentu seperti yang telah dijelasan pada subbab sebelumnya. 4. Pembentuan fuzzy set seperti yang ditunjuan oleh Persamaan (7 berdasaran subinterval yang dibentu. Nilai batas fuzzy set ditentuan berdasaran subinterval seperti beriut: Adapun batas A adalah dari batas bawah pada u sampai dengan titi tengah pada u 2. atas A 2 dimulai dari titi tengah pada u hingga titi tengah pada u 3. an batas A 3 dimulai dari titi tengah pada u 2 sampai dengan u 4. Grafi fungsi eanggotaan fuzzy set emudian direpresentasian dalam urva bahu sesuai dengan batas masing masing fuzzy set. 5. Proses fuzzifiasi data berdasaran derajat eanggotaan masimum. imana derajat eanggotaan ditentuan dengan menggunaan fungsi representasi urva bahu. Tahap e- sampai dengan tahap e-4 dilauan 3 ali sesuai dengan jumlah antecedent factor yang berjumlah 3 yaitu volume impor beras, produsi beras, dan onsumsi beras nasional. 6. Pembentuan Fuzzy Logic Relationship (FLR menggunaan prinsip multi factors high order fuzzy time series model seperti yang ditunjuan oleh Tabel sebagaimana Persamaan (8. 7. efuzzifiasi untu mendapatan nilai hasil predisi seperti yang dijelasan pada Persamaan (9. iagram alir dari proses predisi menggunaan metode multi factors high order fuzzy time series model ditunjuan pada Gambar. Faultas Ilmu Komputer, Universitas rawijaya
6 Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer 776 dilihat dari nilai NRMSE menjadi lebih ecil pada setiap order yang merupaan elipatan 3. Gambar 4 beriut menunjuan bahwa pada asus ini nilai threshold paling ideal adalah 7. Karena pada dasarnya nilai threshold tida boleh terlalu ecil atau terlalu besar. Jia nilai threshold terlalu ecil aan sulit menemuan ecocoan, arena nilai selisih antara antecendent factor pada FLR data uji dan data latih harus lebih ecil dari threshold untu dapat diataan coco. an apabila nilai threshold terlalu besar aan membuat nilai NRMSE menjadi tinggi, arena terdapat terlalu banya FLR data latih yang coco dengan FLR data uji, sehingga hasil predisi memilii bias. Gambar 5 menunjuan bahwa pada asus ini nilai data latih paling ideal adalah 4, namun pada jumlah data latih 2, nilai NRMSE mengalami penurunan yang tajam. Hal ini menunjuan bahwa metode multi-factors high-order time series model ini tida membutuhan data latih yang terlalu banya. Walaupun untu beberapa asus, contohnya asus predisi volume impor beras ini dibutuhan eseluruhan data latih. Gambar. iagram alir proses predisi menggunaan metode multifactors high order fuzzy time series model 4. HASIL AN ANALISIS Hasil peramalan dengan menggunaan nilai variabel ideal yang didapatan dari hasil pengujian digambaran dalam bentu grafi seperti yang ditunjuan dalam Gambar 2, dan ditunjuan dalam bentu tabel oleh Tabel 3. Adapun grafi dari hasil pengujian pengaruh nilai dari variabel order, threshold, dan jumlah data latih aan ditunjuan oleh Gambar 3, Gambar 4, dan Gambar 5. Pengujian dilauan dengan memasuan nilai yang berbeda untu masing masing variabel emudian dihitung nilai NRMSE nya untu mengetahui pengaruh nilai variabel tersebut terhadap hasil predisi. imana dari hasil pengujian tersebut nilai ideal untu masing masig variabel adalah nilai order sebanya 3, nilai threshold bernilai 7, dan jumlah data latih idealnya adalah 4. Gambar 3 menunjuan bahwa pada asus ini nilai order paling ideal adalah 3. iarenaan data mengalami enaian atau penurunan tiba tiba secara drastis hampir tiap 3 tahun seali pada data latih yang digunaan. Hal ini dapat Gambar 2. Grafi Perbandingan Volume Impor eras erdasaran ata Atual an Hasil Predisi Tabel 3. Perbandingan Volume Impor eras erdasaran ata Atual an Hasil Predisi No Tahun ata Atual Hasil Predisi Gambar 3. Grafi pengaruh order terhadap NRMSE Faultas Ilmu Komputer, Universitas rawijaya
7 Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer 777 Gambar 4. Grafi pengaruh threshold terhadap NRMSE Gambar 5. Grafi pengaruh jumlah data latih terhadap NRMSE Gambar 6. Grafi pengujian cross-validation Gambar 7. Grafi perbandingan volume impor beras berdasaran data atual dan hasil predisi dalam urun tahun erdasaran Gambar 7 dapat dilihat bahwa volume impor beras mengalami pergeraan nai dan turun setiap tahunnya. Pergeraan yang dinamis ini memunginan volume impor beras untu dipredisi. Tingat esalahan terecil yang diperoleh dari implementasi metode multifactors high-order time series model dalam melauan predisi terhadap volume impor beras nasional adalah sebesar Hasil ini didapatan dari penggunaan 4 data latih dengan 6 data uji (nilai threshold : 7 dan nilai order : 3. Hasil perhitungan NRMSE yang mendeati nol menunjuan bahwa metode multi-factors high-order fuzzy time series dapat melauan predisi volume impor beras dengan bai. Untu menguji validitas dari metode yang digunaan penulis juga melauan pengujian crossvalidation. Pengujian ini dilauan dengan cara melauan beberapa ali percobaan dengan menggunaan nilai threshold, jumlah order, data uji, dan data latih yang sama. Gambar 5 menunjuan bahwa nilai NRMSE dari setiap percobaan tida mengalami perubahan signifian, sehingga dapat disimpulan bahwa metode ini merupaan metode yang valid untu mempredisi volume impor beras. 5. PENUTUP Kesimpulan yang dapat diambil berdasaran proses perancangan, implementasi, dan pengujian yang dilauan terhadap program perangat luna hasil implementasi dari penggunaan metode multi-factors high-order fuzzy time series untu melauan predisi volume impor beras nasional. Pergeraan data yang dinamis membuat volume impor beras memunginan untu dipredisi. Hasil peramalan volume impor beras dengan metode multi-factors high-order time series model menunjuan tingat eror yang mendeati nol,( NRMSE = Hal ini menunjuan bahwa metode multi-factors high-order fuzzy time series dapat melauan predisi volume impor beras dengan bai. Fator fator yang dipertimbangan memilii pengaruh terhadap volume impor beras dan digunaan dalam melauan predisi dalam penelitian ini adalah jumlah produsi dan onsumsi beras nasional. Saran dari penulis adalah edepannya dapat ditambahan fator fator lain yang berpengaruh terhadap volume impor beras, bai fator fator dari setor politi, eonomi, maupun agraris. alm melauan pengelompoan penulis menggunaan metode fuzzy -Means. Sehingga penulis menyaranan untu membandingan hasil pembentuan subinterval pada fuzzy time series jia menggunaan metode pengelompoan lain untu pengembangan lebih lanjut. 6. AFTAR PUSTAKA Aghabozorgi, Saeed dan Wah, T.-Y Effective lustering of Time-Series ata Using FM. International Journal of Machine Learning and omputing, Faultas Ilmu Komputer, Universitas rawijaya
8 Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer 778 4(2, ezde, J.-., Ehrlich, Robert, dan Full, William FM: The Fuzzy - Means lustering Algorithm. omputers dan Geosciences Vol. 0 No. 2-3, ebeci, Zeynel dan Yildiz, Figen omparison of K-Means and Fuzzy - Means Algorithms on ifferent luster Structures. Journal of Agricultural Informatic, 6(3, hristianto, Edward Fator yang mempengaruhi volume impor beras di Indonesia. Jurnal JIEKA, 7(2, Kayacan, Erdal, Ulutas, aris dan Kayna, Oyay Grey system theory-based models in time series prediction. Expert Systems with Applications 37, Kumar, Sachin dan Kumar, Narendra A Novel Method for Rice Production Forecasting Using Fuzzy Time Series. IJSI International Journal of omputer Science Issues, 9(6, Kurniyawan, Hengi Fator fator yang mempengaruhi impor beras di Indonesia tahun EAJ, 2(. Lin, Yupei dan Yang, Yiwen Stoc Maret Forecasting based on Fuzzy Time Series Model. IEEE onference Publications, Mondal, Subhasmit, ashinaabat, Prajnashree dan Swain, Santosh-Kumar A omparative Study between Time Series and Neural Networ for Exchange Rate Forecasting. IOSR Journal of omputer Engineering (IOSR-JE, 7(2, -0. Panuju, yah-r., Mizuno, Kei dan Trisasongo, ambang-h The dynamics of rice production in Indonesia Journal of the Saudi Society of Agricultural Sciences 2, Singh, Tejwant dan Mahajan, Manish Performance omparison of Fuzzy - Means with Respect to Other lustering Algorithm. International Journal of Advanced Research in omputer Science and Software Engineering, 4(5, Suwandi, 206. Outloo Komoditas Pertanian Sub Setor Tanaman Pangan Padi. Pusat ata dan Sistem Informasi Pertanian Kementerian Pertanian. Zaeroni, Riho dan Rustariyuni, S Pengaruh produsi beras, onsumsi beras dan cadangan devisa terhadap impor beras di Indonesia. E-Jurnal Eonomi Pembangunan Universitas Udayana, 5(9, Faultas Ilmu Komputer, Universitas rawijaya
MODEL 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG Oleh : M.Rizi.H.S, Andri Heryandi,S.T, Bambang Siswoyo,Ir,M.Si Jl. Dipati Uur Bandung Teni Informatia Universitas
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 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 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 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 terperinciSTUDI KOMPARASI IMPLEMENTASI JARINGAN BASIS RADIAL DAN FUZZY INFERENCE SYSTEM TSK UNTUK PENYELESAIAN CURVE FITTING
STUDI KOPARASI IPEENTASI JARINGAN BASIS RADIA DAN FUZZY INFERENCE SYSTE TSK UNTUK PENYEESAIAN CURVE FITTING Sri Kusumadewi Teni Informatia Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyaarta cicie@fti.uii.ac.id
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 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 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 terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciSATUAN ACARA PERKULIAHAN ( SAP )
SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kuliah : Pengolahan Citra Digital Kode : IES 6323 Semester : VI Watu : 1x 3x 50 Menit Pertemuan : 7 A. Kompetensi 1. Utama Mahasiswa dapat memahami tentang sistem
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 terperinciStudi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya
Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,
Lebih terperinciISSN: TEKNOMATIKA Vol.1, No.2, JANUARI
ISSN: 1979-7656 TEKNOMATIKA Vol.1, No.2, JANUARI 2009 25 PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN Bambang Yuwono Jurusan Teni Informatia UPN Veteran
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 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 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 terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
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 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 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 terperinciIMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA
94 IMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA Yudhi Purwananto 1, Diana Purwitasari 2, Agung Wahyu Wibowo Jurusan Teni Informatia, Institut Tenologi Sepuluh Nopember
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 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 terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
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 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 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 terperinciMateri. Menggambar Garis. Menggambar Garis 9/26/2008. Menggambar garis Algoritma DDA Algoritma Bressenham
Materi IF37325P - Grafia Komputer Geometri Primitive Menggambar garis Irfan Malii Jurusan Teni Informatia FTIK - UNIKOM IF27325P Grafia Komputer 2008 IF27325P Grafia Komputer 2008 Halaman 2 Garis adalah
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 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 terperinciAplikasi Neural-Fuzzy pada Regresi Interval untuk Data Time Series
Apliasi Neural-Fuzzy paa Regresi Interval untu Data Time Series Sri Kusumaewi Jurusan Teni Informatia, Universitas Islam Inonesia, Yogyaarta Jl. Kaliurang K, 4, Yogyaarta (04 E-mail : cicie@fti.uii.ac.i
Lebih terperinciALGORITMA PENYELESAIAN PERSAMAAN DINAMIKA LIQUID CRYSTAL ELASTOMER
ALGORITMA PENYELESAIAN PERSAMAAN DINAMIKA LIQUID CRYSTAL ELASTOMER Oleh: Supardi SEKOLAH PASCA SARJANA JURUSAN ILMU FISIKA UNIVERSITAS NEGERI YOGYAKARTA 2012 1 PENDAHULUAN Liquid Crystal elastomer (LCE
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 terperinciPeramalan Permintaan Daging Sapi Nasional Menggunakan Metode Multifactors High Order Fuzzy Time Series Model
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1764-1770 http://j-ptiik.ub.ac.id Peramalan Permintaan Daging Sapi Nasional Menggunakan Metode
Lebih terperinciUJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure
8/9/01 UJI TUKEY UJI DUNCAN UJI BARTLETT UJI COCHRAN UJI DUNNET Elty Sarvia, ST., MT. Faultas Teni Jurusan Teni Industri Universitas Kristen Maranatha Bandung Macam Metode Post Hoc Analysis The Fisher
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 terperinciIDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR. Gumgum Darmawan Statistika FMIPA UNPAD
JMP : Vol. 9 No. 1, Juni 17, hal. 13-11 ISSN 85-1456 IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR Gumgum Darmawan Statistia FMIPA UNPAD gumgum@unpad.ac.id Budhi Handoo Statistia
Lebih terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
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 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 terperinciPENERAPAN METODE PARTICLE SWARM OPTIMIZATION PADA METODE K-HARMONIC MEANS UNTUK DATA CLUSTERING
PENERAPAN METODE PARTICLE SWARM OPTIMIZATION PADA METODE K-HARMONIC MEANS UNTUK DATA CLUSTERING Yoe Ota a, Ahmad Saihu, S.Si,MT. b Jurusan Teni Informatia, Faultas Tenologi Informasi, Institut Tenologi
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 terperinciPenentuan Nilai Ekivalensi Mobil Penumpang Pada Ruas Jalan Perkotaan Menggunakan Metode Time Headway
Rea Racana Jurnal Online Institut Tenologi Nasional Teni Sipil Itenas No.x Vol. Xx Agustus 2015 Penentuan Nilai Eivalensi Mobil Penumpang Pada Ruas Jalan Perotaan Menggunaan Metode Time Headway ENDI WIRYANA
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 terperinciSOLUSI KESTABILAN PADA MASALAH MULTIPLIKATIF PARAMETRIK (STABILITY SOLUTION OF PARAMETRIC MULTIPLICATIVE PROBLEMS)
Prosiding Semirata15 bidang MIPA BKS-PTN Barat Hal 357-36 SOLUSI KESTABILAN PADA MASALAH MULTIPLIKATIF PARAMETRIK STABILITY SOLUTION OF PARAMETRIC MULTIPLICATIVE PROBLEMS) Budi Rudianto 1, Narwen Jurusan
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 terperinciMODEL OPTIMASI PEMETAAN MATA KULIAH BERPRASYARAT UNTUK RENCANA STUDI MAHASISWA (STUDI KASUS PROGRAM STUDI MATEMATIKA FMIPA UT)
MODEL OPTIMASI PEMETAAN MATA KULIAH BERPRASYARAT UNTUK RENCANA STUDI MAHASISWA (STUDI KASUS PROGRAM STUDI MATEMATIKA FMIPA UT) Asmara Iriani Tarigan (asmara@ut.ac.id) Sitta Alief Farihati Jurusan Matematia
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 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 terperinciANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI
Seminar Nasional Apliasi Tenologi Informasi 26 (SNATI 26) ISSN: 97-522 Yogyaarta, 7 Juni 26 ANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI Rully Soelaiman, Ni Made Arini
Lebih terperinciMASALAH VEKTOR EIGEN MATRIKS INVERS MONGE DI ALJABAR MAX-PLUS
Seminar Sains Penidi Sains VI UKSW Salatiga Juni 0 MSLH VEKTOR EIGEN MTRIKS INVERS MONGE DI LJBR MX-PLUS Farida Suwaibah Subiono Mahmud Yunus Jurusan Matematia FMIP Institut Tenologi Sepuluh Nopember Surabaya
Lebih terperinciPENGUKURAN PENDAPATAN NASIONAL
PENGUKURAN PENDAPATAN NASIONAL A. PENDEKATAN PRODUKSI (PRODUCTION APPROACH) Menghitung besarnya pendapatan nasional dengan menggunaan pendeatan produsi didasaran atas perhitungan dari jumlah nilai barang-barang
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 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 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 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 terperinciKata Kunci : Multipath, LOS, N-LOS, Network Analyzer, IFFT, PDP. 1. Pendahuluan
Statisti Respon Kanal Radio Dalam Ruang Pada Freuensi,6 GHz Christophorus Triaji I, Gamantyo Hendrantoro, Puji Handayani Institut Tenologi Sepuluh opember, Faultas Tenologi Industri, Jurusan Teni Eletro
Lebih terperinciSistem Peramalan Jumlah Produksi Air PDAM Samarinda Menggunakan Jaringan Syaraf Tiruan Backpropagation
Sistem Peramalan Jumlah Produsi Air PDAM Samarinda Menggunaan Jaringan Syaraf Tiruan Bacpropagation Anindita Septiarini 1 dan Nur Sya baniah 2 1 Program Studi Ilmu Komputer FMIPA, Universitas Mulaarman
Lebih terperinciII. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode
3 II. TINJAUAN PUSTAKA 2.1 Analisis Ragam (Anara) Untu menguji esamaan dari beberapa nilai tengah secara sealigus diperluan sebuah teni yang baru yang disebut analisis ragam. Anara adalah suatu metode
Lebih terperinciPROGRAM SIMULASI UNTUK REALISASI STRUKTUR TAPIS INFINITE IMPULSE RESPONSE UNTUK MEDIA PEMBELAJARAN DIGITAL SIGNAL PROCESSING
Konferensi asional Sistem dan Informatia 28; Bali, ovember 15, 28 KS&I8-44 PROGRAM SIMULASI UTUK REALISASI STRUKTUR TAPIS IFIITE IMPULSE RESPOSE UTUK MEDIA PEMBELAJARA DIGITAL SIGAL PROCESSIG Damar Widjaja
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 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 terperinciPrediksi Perilaku Pola Pengunjung Terhadap Transaksi Pada Toko Buku Gramedia Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation
Predisi Perilau Pola Pengunjung Terhadap Transasi Pada Too Buu Gramedia Menggunaan Jaringan Syaraf Tiruan Metode Bac Propagation Iriansyah BM Sangadji Teni Informatia STT PLN Jl Lingar Luar Duri Kosambi
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 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 terperinciSTUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT
TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
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 terperinciIMPLEMENTASI ALGORITMA KOLONI SEMUT PADA PROSES PENCARIAN JALUR TERPENDEK JALAN PROTOKOL DI KOTA YOGYAKARTA
Seminar Nasional Informatia 2009 (semnasif 2009) ISSN: 1979-2328 UPN Veteran Yogyaarta, 23 Mei 2009 IMPLEMENTASI ALGORITMA KOLONI SEMUT PADA PROSES PENCARIAN JALUR TERPENDEK JALAN PROTOKOL DI KOTA YOGYAKARTA
Lebih terperinciPelatihan Feedforward Neural Network Menggunakan PSO untuk Prediksi Jumlah Pengangguran Terbuka di Indonesia
Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 2017, hlm. 1260-1269 http://j-ptii.ub.ac.id Pelatihan Feedforward Neural Networ Menggunaan PSO untu Predisi
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 terperinciAplikasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingkungan Kerja
Apliasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingungan Kerja terhadap Kinerja Pegawai BKKBN Provinsi Kalimantan Timur The Application of Somers d Correlation Analysis at Leadership
Lebih terperinciDeret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII
Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar Tugas Ahir PENDETEKSI POSISI MENGGUNAKAN SENSOR ACCELEROMETER MMA7260Q BERBASIS MIKROKONTROLER ATMEGA 32 Muhammad Riyadi Wahyudi, ST., MT. Iwan Setiawan, ST., MT. Abstract Currently, determining
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 terperinci