PREDIKSI PENGGUNAAN BANDWIDTH PENS_ITS MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION

PREDIKSI PENGGUNAAN BANDWIDTH PENS_ITS MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION Imam Shabri, Mike Yuliana, Zaqiatud Darojah Jurusan Telekomunkasi - Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus PENS-ITS, Keputih, Sukolilo, Surabaya. Telp : +62+031+5947280; Fax. +62+031+5946011 Email : [email protected] Abstrak – Peramalan merupakan alat yang penting dalam perencanaan yang efektif dan efisien karena peramalan diperlukan untuk menetapkan kapan suatu peristiwa akan terjadi atau timbul sehingga tindakan yang tepat dapat dilakukan. Selama ini banyak peramalan dilakukan secara intuitif dengan menggunakan metode-metode statistik.Salah satunya di bidang Artificial Intellegence. Dengan menggunakan teknologi di bidang Artificial Intellegence yaitu teknologi jaringan syaraf tiruan maka identifikasi pola data dari sistem peramalan bandwidth dapat dilakukan dengan metode pendekatan pembelajaran atau pelatihan. Berdasarkan kemampuan belajar yang dimilikinya, maka jaringan syaraf tiruan dapat dilatih untuk mempelajari dan menganalisa pola data masa lalu dan berusaha mencari suatu formula atau fungsi yang akan menghubungkan pola data masa lalu dengan keluaran yang diinginkan. Pada tugas akhir ini, maka dibuat suatu prediksi penggunaan bandwidth PENS-ITS menggunakan jaringan syaraf tiruan dengan algoritma backpropagation agar penggunaan bandwith kedepannya lebih efisien baik dalam dalam tingkat penyewaan bandwidth ataupun dalam penggunaan bandwidth. Dari hasil pengujian, didapatkan bahwa untuk data bandwidth berdasarkan jumlah trafik yang dalam hal ini proxy1_401 didapatkan bahwa unit input 3, unit hidden 10 dengan data yang dipilih (T-1,T-2,T-3) menghasilkan MSE terkecil yaitu 7.60E-5 dengan korelasi yang didapat sebesar 99,66%. Waktu yang ditempuh dalam peramalan selama 16 detik. Sehingga parameter input, hidden, dan data yang dipilih pada server Proxy1_401 menggunakan arsitektur model peramalan unit input 3, unit hidden 10 dengan data yang dipilih (T-1,T-2,T-3). Sedangkan utuk data bandwidth berdasarkan jumlah client yang dalam hal ini Mesin mini didapatkan bahwa unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T-3) menghasilkan MSE terkecil yaitu 9.80E-5 dengan korelasi yang didapat sebesar 99%. Waktu yang ditempuh dalam peramalan selama 12 detik. Sehingga parameter input, hidden, dan data yang dipilih pada server Mesin mini menggunakan arsitektur model peramalan unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T-3). Kata kunci : Artificial Intellegence, bandwidth, backpropagation, forecast penyesuaian antara pemberian dengan kebutuhan. Syarat mutlak yang pertama harus dilaksanakan untuk mencapai tujuan itu adalah mengetahui kebutuhan bandwidth dimasa depan. Karena itu prakiraan bandwidth jangka pendek, menengah dan panjang merupakan tugas yang penting dalam perencanaan dan pengoperasian sistem bandwidth. Dengam melihat permasalahan diatas, maka perlu adanya aplikasi yang dapat memprediksikan penggunaan bandwidth PENSITS menggunakan jaringan syaraf tiruan dengan algoritma backpropagation dimana kemampuan belajar yang dimilikinya dapat dilatih untuk mempelajari dan menganalisa pola data masa lalu dan berusaha mencari suatu formula atau fungsi yang akan menghubungkan pola data masa lalu dengan keluaran yang diinginkan pada saat ini.

1. PENDAHULUAN 1.1. Latar Belakang Bandwidth merupakan ukuran jumlah data yang dapat melakukan perjalanan lebih dari satu sistem komunikasi yang dialokasikan dalam rentang waktu atau disebut juga sebagai kecepatan data. Bandwidth juga memiliki arti bahwa semakin besar bandwidth bisa menghasilkan komunikasi yang lebih cepat. PENS memiliki beberapa server antara lain proxy1, proxy2, proxy3, kebo, dosen jaga, newfs, student dan www. Pada masing-masing server diberi bandwidth dengan jumlah tertentu. Dalam pemberian limited maksimal bandwidth harus dengan kualitas yang baik. Apabila pemberian bandwidth lebih besar dari porsi yang sebenarnya, maka akan timbul persoalan pemborosan bandwidth pada masing-masing server tersebut. Sedangkan apabila pemberian bandwidth lebih rendah dari porsi sebenarnya maka pengaksesan bagi konsumen menjadi lebih lambat yang akibatnya merugikan pihak konsumen. Oleh karena itu diperlukan

1.2. Tujuan Tujuan dari proyek akhir ini adalah melakukan peramalan penggunaan bandwidth

1

yaitu Kumar dan Nanhay (2009) telah melakukan penelitian short term load forecasting using artificial neural network : a comparison with genetic algorithm implementation. Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien. Peramalan dapat membantu untuk mengurangi ketidakpastian dalam melakukan perencanaan. Oleh karena itu peramalan memegang peranan penting dalam perencanaan dan pengambilan keputusan diberbagai bidang.

PENS-ITS dengan menggunakan jaringan syaraf tiruan berbasis algoritma backpropagation. 1.3. BATASAN MASALAH Batasan masalah yang harus diselesaikan pada proyek akhir ini adalah : 1. Bahasa pemrograman yang digunakan adalah bahasa pemrograman java. 2. Peramalan bandwidth menggunakan jaringan syaraf tiruan dengan algoritma backpropagation. 3. Data yang digunakan adalah data yang berdasarkan jumlah user dan data trafik. Untuk data user menggunakan server proxy1_401, proxy1_411, proxy2, proxy3, kebo, dosen jaga, newfs, student dan www. Untuk data trafik menggunakan server proxy1, proxy2, proxy3 dan mesin mini. 4. Menggunakan database berbasis MySQL yang digunakan untuk menyimpan data jumlah user dan data trafik. 5. Parameter yang digunakan dalam peramalan yaitu untuk unit input menggunakan 3,4,5. Untuk unit hidden menggunakan 2,5,10. Untuk iterasi maksimum yaitu 1000. Dan Untuk toleransi error yaitu 0.0001. 6. Data yang dipilih dalam 3 unit input adalah (T-1, T-2, T-3), (T-1, T-2, T-7), (T-1, T-7, T-14). Data yang dipilih dalam 4 unit input adalah (T-1, T-2, T-3, T-4), (T-1, T-2, T-7, T-14), (T-1, T-7, T-14, T-21). Dan untuk data yang dipilih dalam 5 unit input adalah (T-1, T-2, T-3, T-4, T-5), (T-1, T-2, T-7, T14, T-21), (T-1, T-7, T-14, T-21, T-28).

2.2 Algoritma Pelatihan Jaringan Syaraf Tiruan Backpropagation Algoritma pelatihan pada jaringan syaraf tiruan backpropagation adalah sebagai berikut kusumadewi (2003) : Langkah 0 : Inisialisasi nilai bobot (diatur pada nilai acak yang kecil). Langkah 1 : Selama kondisi berhenti masih tidak terpenuhi, lakukan langkah 2-9. Langkah 2 : Untuk setiap pasangan pelatihan, lakukan langkah 3-8. Perambatan maju (Feedforward) : Langkah 3 : Tiap unit masukan ( , i=1,…,n) menerima sinyal masukan dan menyebarkan sinyal itu ke semua unit pada lapisan di atasnya (lapisan tersembunyi). Langkah 4 : Setiap unit lapisan tersembunyi ( , j=1,…,p) dihitung nilai masukan dengan menggunakan nilai bobotnya : (1)

2. DASAR TEORI 2.1. Peramalan Seiring dengan senjang waktu antara kesadaran akan peristiwa atau kebutuhan mendatang dengan peristiwa itu sendiri, adanya waktu tenggang ini merupakan alasan utama bagi perencanaan dan peramalan. Jika waktu tenggang ini panjang dan akhir peristiwa tergantung pada faktor yang dapat diketahui, maka perencanaan dapat memegang peranan penting. Perencanaan merupakan kebutuhan yang besar, karena waaktu tenggang untuk mengambil keputusan dapat berkisar dibeberapa tahun (untuk kasus penanaman modal) sampai beberapa hari atau bahkan beberapa jam (untuk menjadwalkan produksi dan transportasi), peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien. Beberapa jenis peramalan yang telah dikenal yaitu causal dan time series. Peramalan masih digunakan hingga saat ini. Rizki (2007) telah melakukan penelitian the application of artificial neural network to forecast stock price : backpropagation approach. Penelitian lainnya

= bias pada unit tersembunyi j, kemudian dihitung nilai keluaran dengan menggunakan fungsi aktivasi yang dipilih : (2) Hasil fungsi tersebut dikirim ke semua unit pada lapisan di atasnya (unitkeluaran). Langkah 5 : Tiap unit keluaran ( , k=1,..,m) dihitung nilai masukan dengan menggunakan nilai bobotnya : (3) = bias pada unit keluaran k, kemudian dihitung nilai keluaran dengan menggunakan fungsi aktivasinya : (4)

2

Perambatan balik (Backpropagation) : Langkah 6 : Tiap unit keluaran ( , k=1,..,m) menerima pola target yang berhubungandengan pola masukan pelatihan, dan kemudian dihitung kesalahaninformasinya :

Langkah 9 : Menguji apakah kondisi berhenti sudah terpenuhi. Jika kondisi berhentitelah terpenuhi, pelatihan jaringan dapat dihentikan. Untuk menentukankondisi berhenti terdapat dua cara yang biasa dipakai, yaitu : a. Pertama, dengan membatasi iterasi yang ingin dilakukan. b. Kedua, dengan membatasi error. Pada metode Backpropagation, dipakai metode Mean Square Error untuk menghitung rata-rata error antara output yang dikehendaki pada training data dengan output yang dihasilkan oleh jaringan. Cara memeriksa kondisi berhenti dengan MeanSquare Error adalah sebagai berikut : Mean Square Error :

(5) Kemudian dihitung koreksi nilai bobotnya yang kemudian akan digunakan untuk memperbaharui nilai bobot : (6) Hitung koreksi nilai biasnya yang kemudian akan : digunakan untuk memperbaharui nilai

(14)

(7)

3.

PERANCANGAN DAN IMPLEMENTASI SISTEM 3.1. Perancangan sistem Pada perancangan sistem akan dibahas mengenai sistem peramalan yang akan dibangun. Perancangan sistem berdasarkan pada data trafik dan jumlah client yang telah diolah sehingga menjadi suatu peramalan bandwidth yang menggunakan jaringan syaraf tiruan dengan menggunakan metode backpropagation. Untuk menyelesaikan peramalan ini, maka dilakukan perancangan sistem yang akan dibuat. Hal ini dapat dilihat pada ilustrasi alur sistem pada Gambar 1di bawah ini.

dan kemudian nilai dikirim ke unit pada lapisan di bawahnya. Langkah 7 : Setiap unit lapisan tersembunyi ( , j=1,…,p) dihitung perubahan masukanyang dari unit-unit pada lapisan di atasnya : (8) Kemudian nilai tersebut dikalikan dengan nilai turunan dari fungsi aktivasinya untuk menghitung informasi kesalahannya : (9) Hitung koreksi nilai bobot yang kemudian digunakan untuk memperbaharuinilai :

Gambar 1. Alur Sistem Agar sistem dapat bekerja sesuai dengan yang diharapkan, dibutuhkan perencanaan yang akan dibahas sebagai berikut.

(10) dan hitung nilai koreksi bias yang kemudian digunakan untuk memperbaharui : (11) Memperbaharui nilai bobot dan bias : Langkah 8 : Tiap unit ( , k=1,…,m) keluaran diperbaharui nilai bias dan bobotnya(j=0,…,p): (12) dan pada tiap unit lapisan tersembunyi ( , j = 1,…,p) diperbaharui bias dan bobotnya (i = 1, …,n) : (13)

Gambar 2. Blok Diagram Sistem

3

Berdasarkan blok diagram Gambar 2 diatas, pengolahan data trafik ini diolah sedemikian rupa berdasarkan teori jaringan syaraf tiruan dengan metode backpropagation sehingga menghasilkan output peramalan yang akurat. Kemudian data output tersebut dimasukkan pada komputer server dan admin mengetahui hasil peramalan sesuai dengan waktu yang diinginkan ketika client mengakses internet pada server tersebut.

3.3. Pembuatan dan Pengujian Perangkat Keras dan Perangkat Lunak. Dari hasil perancangan dilakukan realisasi / pembuatan perangkat lunak. Dan diadakan pengukuran atau pengujian masing-masing bagian dari perangkat lunak tersebut sebelum dilakukan integrasi. 3.4. Integrasi Pengujian Sistem Dari hasil perancangan dilakukan realisasi / pembuatan perangkat lunak dan diadakan pengujian masing-masing bagian dari perangkat lunak tersebut sebelum dilakukan integrasi. Sistem yang sudah dibangun, terintegrasi dan unjuk kerjanya bisa dijadikan sistem peramalan bandwidth berdasarkan jumlah trafik dan jumlah client. Analisa hasil simulasi meliputi analisa software dengan kerja sistem yang telah dikembangkan. Proses pengujian yang dilakukan pada pembuatan sistem ini meliputi: 1. Keberhasilan registrasi 2. Keberhasilan sistem peramalan menggunakan backpropagation : Penentuan Parameter Learning Rate (α) Pembentukan Model Peramalan Validasi model menggunakan data testing Peramalan data bandwidth 3. Keberhasilan koneksi server ke printer 4. Waktu Eksekusi : • Lama registrasi • Lama sistem peramalan.

3.2. Perancangan Perangkat Keras dan Perangkat Lunak Perencanaan perangkat keras yang dibutuhkan dalam sistem ini adalah : Seperangkat komputer dan printer akan saling terkoneksi. Komputer akan melakukan peramalan dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Komputer akan melakukan pengenalan kegiatan berbasis data masa lalu. Data masa lalu akan dipelajari oleh komputer sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari. Data peramalan akan ditampilkan berupa grafik dan dapat dicetak oleh printer. Selain perencanaan perangkat keras, ada juga perencanaan perangkat lunak yang dibutuhkan dalam sistem ini Rancang bangun sistem ini diimplementasikan pada PC. Adapun perangkat lunak yang dibutuhkan dalam sistem ini, adalah: 1. Netbeans Netbeans merupakan software yang digunakan sebagai penerapan dari pemrograman java yang digunakan. Dengan menggunakan netbeans ini dapat mempermudah dalam pembuatan aplikasi tampilan GUI.

4. ANALISA DAN HASIL PENGUJIAN 4.1. Pengujian Peramalan Berdasarkan Jumlah User 4.1.1. Mesin Mini Pada pengujian berdasarkan pada server mesin mini memperlihatkan bahwa unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T-3) menghasilkan MSE terkecil yaitu 9.80E-5 dengan korelasi yang didapat sebesar 99%. Waktu yang ditempuh dalam peramalan selama 12 detik. Sehingga parameter input, hidden dan data yang dipilih pada server Mesin Mini menggunakan arsitektur model peramalan unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T3). Untuk peramalan data bandwidth merupakan tahap untuk mengetahui data bandwidth pada masa yang akan datang. Pada Tugas Akhir ini akan ditampilkan hasil ramalan dari Tugas Akhir sampai lima hari ke depan. Hasil ramalan untuk periode yang akan datang pada server Mesin Mini dapat dilihat pada Tabel 1 berikut ini :

2.

Database MySQL Database ini digunakan untuk mengakses data dari sebuah database relasional SQL yang telah dibuat. Pada tugas akhir ini, database MySQL yang telah dibuat akan dipanggil oleh bahasa pemrograman java, sebagai program utama. 3. JFreechart dan Jcommon JFreechart merupakan library yang akan digunakan untuk membuat grafik, namun dikarenakan adanya denpendency dengan JCommon maka diperlukan kedua library tersebut. 4. ireport dan jasper Untuk membuat koneksi dari java ke printer diperlukan sebuah tool tambahan yaitu ireport dan jasper report. 4

Tabel 1. Data Ramalan Mesin Mini

Tanggal 23 Januari 2012 24 Januari 2012 25 Januari 2012 26 Januari 2012 27 Januari 2012

Tabel 3. Data Ramalan Proxy2

Ramalan 7819 5360 3928 3084 5190


4.1.2. Proxy1 Pada pengujian berdasarkan pada server Proxy1 memperlihatkan bahwa unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T7) menghasilkan MSE terkecil yaitu 0.00161 dengan korelasi yang didapat sebesar 96.0 %. Waktu yang ditempuh dalam peramalan selama 1 menit 50 detik. Sehingga parameter input, hidden, dan data yang dipilih pada server Proxy1 menggunakan arsitektur model peramalan unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T-7). Untuk peramalan data bandwidth merupakan tahap untuk mengetahui data bandwidth pada masa yang akan datang. Pada Tugas Akhir ini akan ditampilkan hasil ramalan dari Tugas Akhir sampai lima hari ke depan. Hasil ramalan untuk periode yang akan datang pada server Proxy1 dapat dilihat pada Tabel 2 berikut ini :

Ramalan 26 32 53 45 47

4.2. Pengujian Peramalan Berdasarkan Jumlah Trafik 4.2.1. Proxy1_401 Pada penujian berdasarkan jumlah trafik pada server proxy1_401 memperlihatkan bahwa unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T-3) menghasilkan MSE terkecil yaitu 7.609E-5 dengan korelasi yang didapat sebesar 99,66%. Waktu yang ditempuh dalam peramalan selama 16 detik. Sehingga parameter input, hidden, dan data yang dipilih pada server Proxy1_401 menggunakan arsitektur model peramalan unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T-3). Untuk peramalan data bandwidth merupakan tahap untuk mengetahui data bandwidth pada masa yang akan datang. Pada Tugas Akhir ini akan ditampilkan hasil ramalan dari Tugas Akhir sampai lima hari ke depan seperti yang terlihat pada Tabel 4 berikut ini :



Ramalan 49 162 148 158 176

Tabel 4. Data Ramalan Proxy1_401


Ramalan 4295297.36 1085065.88 1703995.95 1963094.74 4231948.26

4.2.2. Proxy1_411 Pada penujian berdasarkan jumlah trafik pada server proxy1_411 memperlihatkan bahwa unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T-3) menghasilkan MSE terkecil yaitu 0.00179 dengan korelasi yang didapat sebesar 94 %. Waktu yang ditempuh dalam peramalan selama 180 detik. Sehingga parameter input, hidden, dan data yang dipilih pada server Proxy1_411 menggunakan arsitektur model peramalan unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T-3). Untuk peramalan data bandwidth merupakan tahap untuk mengetahui data bandwidth pada masa yang akan datang. Pada Tugas Akhir ini akan ditampilkan hasil ramalan dari Tugas Akhir sampai lima hari ke depan seperti yang terlihat pada Tabel 5 berikut ini :

4.1.3. Proxy2 Pada pengujian berdasarkan pada server Proxy2 memperlihatkan bahwa unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T7) menghasilkan MSE terkecil yaitu 0.00145 dengan korelasi yang didapat sebesar 97.0 %. Waktu yang ditempuh dalam peramalan selama 98 detik. Sehingga parameter input, hidden, dan data yang dipilih pada server Proxy2 menggunakan arsitektur model peramalan unit input 3, unit hidden 10 dengan data yang dipilih (T-1, T-2, T-7). Untuk peramalan data bandwidth merupakan tahap untuk mengetahui data bandwidth pada masa yang akan datang. Pada Tugas Akhir ini akan ditampilkan hasil ramalan dari Tugas Akhir sampai lima hari ke depan. Hasil ramalan untuk periode yang akan datang pada server Proxy2 dapat dilihat pada Tabel 3 berikut ini :

5

berdasarkan jumlah client dan jumlah trafik, didapatkan beberapa kesimpulan yaitu: Dari hasil peramalan bandwidth berdasarkan jumlah user tepatnya untuk server Mesin Mini didapatkan perhitungan terbaik dengan jumlah MSE 9.80E-5 dengan korelasi yang didapatkan 99%. Waktu yang ditempuh yaitu 12 detik sehingga Mesin Mini menggunakan arsitektur model peramalan unit input 3 dengan pemilihan data (T-1, T-2, T-3) dan hidden layer 10. Dari hasil peramalan bandwidth berdasarkan jumlah trafik tepatnya untuk server Proxy1_401 didapatkan perhitungan terbaik dengan jumlah MSE 7.609E-5 dengan korelasi yang didapat 99,66%. Waktu yang ditempuh dalam peramalan selama 16 detik sehingga Proxy1_401 menggunakan arsitektur model peramalan unit input 3 dengan pemilihan data (T-1, T-2, T-3) dan hidden layer 10.

Tabel 5. Data Ramalan Proxy1_411


Ramalan 625631.26 184588.21 2812427.88 2990926.70 549383.18

4.2.3. Proxy2 Pada penujian berdasarkan jumlah trafik pada server proxy2 memperlihatkan bahwa unit input 4, unit hidden 10 dengan data yang dipilih (T-1, T-7, T-14, T-21) menghasilkan MSE terkecil yaitu 8.37E-5 dengan korelasi yang didapat sebesar 100 %. Waktu yang ditempuh dalam peramalan selama 6 detik. Sehingga parameter input, hidden, dan data yang dipilih pada server Proxy2 menggunakan arsitektur model peramalan unit input 4, unit hidden 10 dengan data yang dipilih (T-1, T-7, T-14, T-21). Untuk peramalan data bandwidth merupakan tahap untuk mengetahui data bandwidth pada masa yang akan datang. Pada Tugas Akhir ini akan ditampilkan hasil ramalan dari Tugas Akhir sampai lima hari ke depan. Hasil ramalan untuk periode yang akan datang pada server Proxy2 dapat dilihat pada Tabel 6 berikut ini :

6. DAFTAR PUSTAKA [1] Kiki, Sri Kusumadewi ” Analisis Jaringan Syaraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi”, Skripsi Universitas Islam Indonesia, Yogyakarta. [2] Susanti, Linda Aqnes Desi. 2011. Peramalan Harga Saham Menggunakan Recurrent Neural Network Dengan Algoritma Backpropagation Through Time (BPTT)”, Tugas Akhir PENS-ITS, 2011. [3] Rasyid, Harun Al. 2009. Peramalan Time Series Harga Saham Multikriteria Menggunakan Multilayer Preceptron Neural Network Bakcpropagation Dengan Exponential Learning Rate”, Tugas Akhir PENS-ITS, 2009 [4] Galang Jiwo Syeto, Arna Fariza, S.Kom, M.Kom, Setiawardhana, S.T. 2010 Peramalan Beban Listrik Menggunakan Jaringan Saraftiruan Metode Kohonen”, Makalah Proyek Akhir PENS-ITS, 2010. [5] Anugerah PSW, ” Perbandingan Jaringan Syaraf Tiruan Backpropagation Dan Metode Deret Berkala Box-Jenkins (Arima) Sebagai Metode Peramalan Curah Hujan ”. SKRIPSI UNNES, 2007. [6] Fahmi, Yasin. 2011. “Peramalan Nilai Harga Saham Menggunakan Jaringan Syaraf Tiruan Dan Algoritma Genetik”, Tugas Akhir Universitas Islam Indonesia Yogyakarta 2011. [7] Sari, Dinar Atika. “Peramalan Kebutuhan Beban Jangka Pendek Menggunakan Jaringan Syaraf Tiruan Backpropagation”, Tugas Akhir Universitas Diponegoro.



Ramalan 6468136.36 5802491.14 1373686.58 5029343..84 5169555.22

4.3. Perbandingan Korelasi dalam satu server (Mesin Mini) Tabel 7. Korelasi dalam server Mesin Mini No. Korelasi 90% 1. 94% 2. 86% 3. 85% 4. 93% 5.

Terlihat pada Tabel 7 bahwasanya meskipun data awal bobot dan bias random, tidak mempengaruhi hasil korelasi yang didapat. Sehingga parameter yang telah ditentukan dapat digunakan dalam peramalan. 5.

KESIMPULAN Setelah melakukan pengujian dan analisa pada sistem peramalan Bandwidth di PENS-ITS 6

PREDIKSI PENGGUNAAN BANDWIDTH PENS_ITS MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION

Recommend Documents