Jurnal Tugas Akhir Teknik Informatika 2014
Sistem Deteksi Kebocoran pada Jaringan Pipa Air PDAM Menggunakan Analisis Tekanan dengan Metode Extreme Learning Machine Muh.Taufiq Hardiyanto Umar1
Ahmad Zaky Abbas1,
A. Ejah Umraeni Salam 2
Dr. Indar Chaerah Gunadin, ST. MT.2
1
Program Studi S1 Teknik Informatika Universitas Hasanuddin 2
Program Studi S1 Teknik Elektro Universitas Hasanuddin
Abstrak PDAM Makassar merupakan salah satu perusahaan air minum yang masuk golongan besar di Indonesia yang memiliki pelanggan lebih dari 100.000 pelanggan. Tingginya tingkat kehilangan air di PDAM Makassar merupakan masalah besar yang saat ini dihadapi. Saat ini tingkat kehilangan air di PDAM Makassar adalah sekitar 43% yang belum mencapai standart yang ditetapkan diIndonesia yaitu sebesar maksimal 20 %. Salah satu faktornya adalah 30 persen dari seluruh jaringan pipa distribusi PDAM Makassar masih menggunakan pipa tua peninggalan belanda. Penelitian ini bertujuan untuk membuat program pendeteksi kebocoran pipa air PDAM Makassar khususnya di perumahan Taman Khayangan dengan menggunakan metode Extreme Learning Machine (Extreme Learning Machine (ELM)), dengan menggunakan aplikasi EPANET sebagai simulatornya Pemilihan metode Extreme Learning Machine (ELM) dilakukan dengan pertimbangan sifatnya yang mampu menghasilkan output yang lebih dari satu dan waktu learningnya yang singkat dibanding dengan metode yang lain. Hasil penelitian menunjukkan bahwa hasil prediksi menggunakan metode Extreme Learning Machine (ELM) menghasilkan nilai RMSE = 0.156415260370576 untuk prediksi besar kebocoran dan nilai RMSE = 0.0782805461267735 untuk prediksi letak kebocoran. Kata kunci: Extreme Learning Machine(ELM), EPANET, RMSE. miliar[1].Hal ini merupakan suatu masalah yang cukup besar.
1.
Pendahuluan PDAM merupakan perusahaan yang memberikan pelayanan air minum untuk penduduk wilayah kota Makassar secara keseluruhan, khususnya untuk penyediaan air bersih untuk rumah tangga. Namun, pelayanan air bersih PDAM Makassar masih tergolong rendah, yaitu 106.005 sambungan atau 40% dan total rumah tangga sebanyak 262.037 KK. Hal ini disebabkan oleh seringnya terjadi kebocoran pipa. Tingkat kebocoran ini terdiri dari kebocoran fisik dan non fisik. Kebocoran fisik adalah kebocoran yang disebabkan oleh bocornya pipa dan perlengkapannya. Sedangkan kebocoran non fisik adalah kebocoran yang disebabkan oleh pencurian air, sambungan liar, pembacaan meter yang tidak benar, dan akurasi meter yang rendah. Tingkat kebocoran rata-rata air PDAM adalah 50%. Berdasarkan Metro TV News pada tanggal 28 Mei 2013, kerugian yang diderita PDAM Kota Makassar, Sulawesi Selatan, akibat kebocoran mencapai Rp73,7 miliar sepanjang 2012 atau meningkat dibandingkan dengan 2011 senilai Rp65,9
D421102661, D421102771
Dalam mendeteksi kebocoran pipa, PDAM menggunakan 2 metode yaitu metode analisis pelaksanaan step test dan metode sounding[2]. Step test merupakan suatu metode yang diterapkan sebagai langkah penapisan (scoping) jaringan dalam upaya mempersempit wilayah atau area aliran air untuk memperkirakan lokasi atau besarnya kebocoran air[3]. Step test diperlukan untuk menentukan prioritas pengawasan jaringan terhadap kebocoran. Pelaksanaan step test merupakan salah satu cara yang paling efektif untuk mengidentifikasi kebocoran air pada jaringan distribusi. Tahap selanjutnya yang dilakukan untuk menentukan letak kebocoran secara pasti dilakukan dengan teknik sounding. Teknik sounding adalah teknik dengan menggunakan alat portable yang mendeteksi gelombang suara yang timbul sepanjang pipa yang mengindikasikan adanya titik lubang kebocoran pada pipa. Namun, kedua metode tersebut
1
Jurnal Tugas Akhir Teknik Informatika 2014 terbukti tidak terlalu efektif dalam menangani kebocoran. Hal ini disebabkan oleh kurangnya tenaga kerja yang berpengalaman dan alat pendeteksi yang terbatas. Kebocoran pipa sendiri menyebabkan terjadinya perubahan tekanan pada setiap junction node (titik persimpangan) dalam jaringan pipa air. Pola perubahan tekanan ini dapat dianalisis secara komputasi untuk dapat mendeteksi letak dan besar kebocoran yang terjadi pada jaringan pipa. Salah satu cara untuk menganalisis pola perubahan tekanan tersebut adalah dengan pemakaian metode kecerdasan buatan untuk mengenali pola berdasarkan data-data hasil pengukuran tekanan air, kecepatan aliran air dan kadang-kadang suhu di setiap node. Teknik pengenalan pola yang dapat digunakan untuk masalah ini adalah Extreme Learning Machine, yaitu metode learning machine yang dikembangkan untuk menutupi kekurangan dalam feedforward neural network, dimana pada ELM kecepatan belajar jaringan saraf ditingkatkan untuk mendapatkan hasil yang maksimal dengan menemukan node yang memberikan output maksimum.
Jaringan hidrolis itu sendiri terdiri dari Pipa, Node (titik koneksi pipa), pompa, katub, dan tangki air atau reservoir. Program ini menganalisa aliran air di tiap pipa, kondisi tekanan air di tiap titik dan kondisi konsentrasi bahan kimia yang mengalir di dalam pipa selama dalam periode pengaliran. Faktor usia air (water age) dan pelacakan sumber juga dapat disimulasikan di program ini. Epanet dapat membantu dalam mengatur strategi untuk merealisasikan qualitas air dalam suatu system. Semua itu mencakup : Alternatif penggunaan berbagai sumber dalam satu sistem. Alternatif pemompaan didalam penjadwalan pengisian/pengosongan tangki. Penggunaan treatment, misal khlorinasi pada tangki penyimpan. Penargetan waktu pembersihan dan penggantian pipa. Epanet memodelkan sistem distribusi air sebagai kumpulan garis yang menghubungkan titik-titik yang di sebut sebagai node. Garis menggambarkan pipa, pompa dan katub kontrol. Sedangkan node menggambarkan sambungan (Junction), tangki, dan reservoir.
2. Penelitian Terkait Penelitian yang terkait dengan penelitian ini salah satunya adalah penelitian Mahasiswa Universitas Hasanuddin Prodi Teknik Informatika, Buyamin Musfidar dan Al Ghazaly, dengan judul Sistem Deteksi Kebocoran Air pada Jaringan Pipa Menggunakan Analisis Tekanan dengan Metode Artificial Neural Network (ANN) Algoritma Radial Basis Function (2013). Metode RBFNN ini memiliki tingkat keakuratan yang tinggi, kecepatan melatih data cukup cepat dibandingkan dengan metode-metode Neural Network lainnya. Data yang di training pada prediksi letak dan besar kebocoran pipa ini adalah data variabel input (data tekanan pada setiap junction pipa). Sedangkan data target yang digunakan adalah data letak dan besar kebocoran pipa. Data yang digunakan dalam penelitian ini adalah data tekanan pada junction saat terjadi kebocoran dengan besar kebocoran berkisar antara 0-0.6 L/s. Untuk mendeteksi letak kebocoran dengan rentang besar kebocoran tersebut digunakan model per pipa berdasarkan fungsi RBFNN pada matlab dengan penentuan nilai Spread dan MN.[2]
3.2. Extreme Learning Machine (ELM) ELM merupakan jaringan syaraf tiruan feedforward dengan satu hidden layer atau lebih dikenal dengan istilah single hidden layer feedforward neural network (SLFNs). Metode ELM mempunyai kelebihan dalam learning speed, serta mempunyai tingkat akurasi yang lebih baik dibandingkan dengan metode konvensional seperti Moving Average dan Exponential Smoothing sehingga dengan menerapkan ELM pada demand forecasting diharapkan mampu menghasilkan ramalan yang lebih efektif.[6] 4. Metodologi Penelitian 4.1 Jenis Data Data yang digunakan dalam penelitian ini adalah besarnya tekanan pada setiap junction/persimpangan pipa pada jaringan pipa yang terletak di perumahan Taman Khayangan Makassar pada saat terjadi kebocoran. Data tekanan ini kemudian digunakan untuk memprediksi letak dan besar kebocoran yang terjadi pada jaringan pipa dengan menerapkan metode Extreme Learning Machine(ELM). Dalam proses pengolahan data dengan metode Extreme Learning Machine(ELM) untuk memperoleh hasil prediksi yang baik dengan tingkat akurasi yang
3. Teori Dasar 3.1. Epanet Epanet adalah program komputer yang menggambarkan simulasi hidrolis dan kecenderungan kualitas air yang mengalir di dalam jaringan pipa.
D421102661, D421102771
2
Jurnal Tugas Akhir Teknik Informatika 2014 tinggi, sangat memerlukan banyak data training sehingga dibutuhkan data kebocoran pipa secara aktual yang terdapat di lapangan sebagai data training yang dapat diperoleh dari hasil simulasi dengan menggunakan software jaringan pipa yaitu EPANET 2.0 yang merupkan software sistem hidrolik yang digunakan oleh PDAM dalam hal monitoring jaringan pipa. Selain itu tingkat akurasi program ini tergantung kepada banyaknya hidden neuron yang digunakan. 4.2 Teknik Pengambilan Data Dalam hal teknik pengambilan data, terdapat beberapa hal yang harus dilakukan diantaranya yaitu membuat sebuah jaringan pipa dengan mengguakan software EPANET 2.0 dengan mengatur data masukan yang telah diperoleh dari PDAM kota Makassar berupa besar debit air pada reservoir yang merupakan sumber utama aliran air pada jaringan pipa, panjang dan diameter pipa, besarnya elevasi dan demand (kebutuhan air rata-rata pada setiap junction), dan tingkat kekasaran/roughness pada setiap pipa sesuai dengan data di lapangan dari yang terletak di Perumahan Taman Khayangan Makassar.
Gambar 4.2 Sistem jaringan pipa perumahan Taman Khayangan Makassar dengan menggunakan software EPANET 2.0
Setelah sistem jaringan pipa telah selesai dirancang dengan software EPANET 2.0, maka tahap selajutnya yang akan dilakukan yaitu membuat simulasi kebocoran dengan mengubah koefisien emitter pada junction yang akan dijadikan sebagai titik kebocoran. Emitters adalah peralatan yang berkaitan dengan junction yang merupakan model dari aliran yang melalui nozzle atau orifice yang dilepaskan ke udara bebas. Fungsi emitter pada EPANET adalah sebagai berikut:
Mulai
EC = Q/ P P exp Dimana, EC : Koefisien Emitter Q : Debit air P : Tekanan fluida P exp : Eksponen tekanan
Pengumpulan Data Sistem Jaringan Perpipaan PDAM Perumahan Taman Khayangan Kota Makassar
Pembuatan Simulasi Kebocoran menggunakan software EPANET 2.0
Koefisien emitter yang digunakan untuk training simulasi kebocoran adalah dari 0.0005 sampai 0.01 dengan selang 0.0005. Simulasi kebocoran pipa dilakukan pada dua pipa, yaitu pipa 13 – 28 dengan panjang 120 meter dan pipa 7 – 8 dengan panjang 24 meter. Pengambilan data dilakukan setiap jarak 4 meter pada semua pipa pada jaringan pipa di Taman Khayangan Makassar.
Pengolahan data tekanan pada jaringan pipa hasil simulasi kebocoran ke dalam Microsoft Excel Stop
4.3 Metodologi Penelitian dengan metode ELM yang dilakukan bertujuan untuk memperoleh suatu flatform yang bisa digunakan untuk memprediksi letak dan besarnya kebocoran pada saluran pipa dari junction/ persimpangan pipa berdasarkan data perubahan tekanan pada saat terjadi kebocoran pada setiap junction.
Gambar 4.1 Tahapan pengumpulan data
Mulai
Pengumpulan dan pengolahan data tekanan tiap junction pada saat terjadi kebocoran pipa
D421102661, D421102771
3
Pemodelan ELM
Pembuatan Interface Sistem Deteksi Kebocoran menggunakan GUIDE MATLAB
Jurnal Tugas Akhir Teknik Informatika 2014
Gambar 4.3 Tahapan penelitian secara umum
4.4 Implementasi Extreme Learning Machine (ELM) Ada beberapa tahap yang harus dilalui dalam mengimplementasikan metode ELM, Secara garis besar langkah tersebut dibagi menjadi tiga tahap yaitu pembagian data, training, kemudian testing.
Gambar 4.4.2 Flowchart pelatihan ELM
4. 4. 3 Testing ELM Gambar 4.4 Flowchart implementasi Extreme Learning Machine (ELM)
Setelah proses pelatihan akan diperoleh input weight, bias dan output weight yang akan dipergunakan untuk meramalkan kebocoran pipa dari data training serta data testing.
4. 4. 1 Pembagian data Pembagian data dimaksudkan untuk membedakan data input yaitu tekanan (pressure) pada 44 junction dan data output (koefisien emitter, dan letak kebocoran) pada data training dan data testing.
5. Hasil dan Pembahasan 5.1 Analisis Hasil Prediksi Besar dan Letak Kebocoran dengan Extreme Learning Machine (ELM) 5.1.1 Simulasi Prediksi Besar dan Letak Kebocoran pada Pipa13 – 28
4. 4. 2 Pelatihan ELM Sebelum digunakan sebagai alat peramal kebocoran, ELM harus melalui proses pelatihan terlebih dahulu untuk mendapatkan input weight, bias dan output weight dengan nilai RMSE terkecil.
D421102661, D421102771
Dalam memprediksi besar dan letak kebocoran hanya menggunakan satu input, yakni data tekanan (pressure) pada 44 junction yang diperoleh
4
Jurnal Tugas Akhir Teknik Informatika 2014 dari software EPANET. Perbedaan besar dan letak kebocoran pada setiap pipa akan menghasilkan data tekanan yang berbeda pula. Namun perbedaan ini hanya sedikit mengingat besar emitter coeficient yang sangat kecil. Hasil prediksi besar dan letak kebocoran data training sebagai data uji pada pipa 13 – 28 dapat dilihat pada gambar berikut.
besar kebocoran dan RMSE = 1.73111214404933e-09 untuk prediksi letak kebocoran. Berikut adalah sampel hasil prediksi besar dan letak kebocoran data uji diluar data training pada pipa 13 – 28 yang diambil secara acak.
ELM
Gambar 5.1 Grafik hasil prediksi besar kebocoran data training sebagai data uji pada pipa 13 – 28
Aktual
Koef. Emitter
Jarak dari Junc. 13
Koef. Emitter
Jarak dari Junc. 13
0.00073
10.38598
0.00080
9
0.00600
9.351328
0.00590
9
0.00888
20.5651
0.00980
19
0.00751
24.27825
0.00760
25
0.00525
31.23079
0.00530
30
0.00281
33.5297
0.00320
35
0.00954
39.84736
0.00990
39
0.00655
45.50548
0.00690
45
0.00489
57.29386
0.00465
57
0.00931
56.89404
0.00921
57
0.00152
61.52259
0.00129
62
0.00814
61.74231
0.00784
62
0.00422
68.48275
0.00440
67
0.00597
81.40104
0.00587
79
0.00324
90.69921
0.00310
87
0.00859
86.03126
0.00845
87
0.00490
107.02
0.00520
107
0.00739
106.1489
0.00730
107
Tabel 5.1 Hasil prediksi besar dan letak kebocoran pada pipa 13 – 28 dengan data uji diluar data training
Gambar 5.2 Grafik hasil prediksi letak kebocoran data training sebagai data uji pada pipa 13 – 28
Setelah menjalankan program dengan menggunakan data training sebagai data uji, diperoleh nilai RMSE = 6.88708165878856e-08 untuk prediksi
D421102661, D421102771
5
Jurnal Tugas Akhir Teknik Informatika 2014
√ ∑
(
)
Dimana : N P a Pmax Pmin
: Jumlah data masukan : Nilai aktual : Nilai hasil prediksi : Nilai aktual terbesar : Nilai aktual terkecil
Setelah dilakukan perhitungan prediksi data testing pada pipa 13 – 28 dengan Extreme Learning Machine (ELM), diperoleh nilai RMSE = 0.156415260370576 untuk prediksi besar kebocoran dan nilai RMSE = 0.0253640347899046 untuk prediksi letak kebocoran.
Gambar 5.3 Grafik hasil prediksi besar kebocoran data testing sebagai data uji pada pipa 13 – 28
5.1.2 Simulasi prediksi besar dan letak kebocoran pada Pipa2 - 13 Dalam memprediksi besar dan letak kebocoran hanya menggunakan satu input, yakni data tekanan (pressure) pada 44 junction yang diperoleh dari software EPANET. Perbedaan besar dan letak kebocoran pada setiap pipa akan menghasilkan data tekanan yang berbeda pula. Namun perbedaan ini hanya sedikit mengingat besar emitter coeficient yang sangat kecil. Hasil prediksi besar dan letak kebocoran data training sebagai data uji pada pipa 2 – 13 dapat dilihat pada gambar berikut.
Gambar 5.4 Grafik hasil prediksi letak kebocoran data testing sebagai data uji pada pipa 13 – 28
Tingkat Keakuratan Prediksi Validasi merupakan proses yang dilakukan untuk melihat keakuratan model dalam melakukan prediksi. Besar kesalahan (error) hasil prediksi program dapat diketahui dengan menggunakan perhitungan RMSE (Root Mean Square Error). Besarnya nilai error menunjukkan besar perbedaan antara hasil prediksi dengan aktual. Semakin kecil nilai RMSE maka semakin akurat prediksi yang dihasilkan. Untuk mengetahui perbandingan tingkat keakuratan kinerja dari prediksi Extreme Learning Machine (ELM) dapat dilihat dari nilai Root Mean Square Error (RMSE). Adapun rumus RMSE adalah sebagai berikut
D421102661, D421102771
Gambar 5.5 Grafik hasil prediksi besar kebocoran data training sebagai data uji pada pipa 2 – 13
6
Jurnal Tugas Akhir Teknik Informatika 2014
Gambar 5.6 Grafik hasil prediksi letak kebocoran data training sebagai data uji pada pipa 2 – 13
Gambar 5.7 Grafik hasil prediksi besar kebocoran data testing sebagai data uji pada pipa 2 – 13
Setelah menjalankan program dengan menggunakan data training sebagai data uji, diperoleh nilai RMSE = 2.20391112741923e-09 untuk prediksi besar kebocoran dan RMSE = 5.73947551333179e-10 untuk prediksi letak kebocoran. Berikut adalah sampel hasil prediksi besar dan letak kebocoran data uji diluar data training pada ELM
Aktual
Koefisien Emitter
Jarak dari junc 2
Koefisien Emitter
Jarak dari junc 2
0.00747 0.012192 0.000605 0.008347 0.000211 0.005512 0.006522 0.006926 0.000535 0.007064 0.002015 0.003923
3.242066 5.403684 7.483254 9.014081 14.00376 14.64845 14.12877 19.37038 24.25131 23.94846 27.39357 26.91254
0.0087 0.0098 0.00072 0.00778 0.00094 0.00481 0.0081 0.0072 0.0003 0.0078 0.0012 0.00342
3 3 8 8 14 14 14 19 25 25 27 27
Gambar 5.8 Grafik hasil prediksi letak kebocoran data testing sebagai data uji pada pipa 2 – 13
Tingkat Keakuratan Prediksi Validasi merupakan proses yang dilakukan untuk melihat keakuratan model dalam melakukan prediksi. Besar kesalahan (error) hasil prediksi program dapat diketahui dengan menggunakan perhitungan RMSE (Root Mean Square Error). Besarnya nilai error menunjukkan besar perbedaan antara hasil prediksi dengan aktual. Semakin kecil nilai RMSE maka semakin akurat prediksi yang dihasilkan. Untuk mengetahui perbandingan tingkat keakuratan kinerja dari prediksi Extreme Learning Machine (ELM) dapat dilihat dari nilai Root Mean Square Error (RMSE). Adapun rumus RMSE adalah sebagai berikut
pipa 2 – 13 yang diambil secara acak. Tabel 5.2 Hasil prediksi besar dan letak kebocoran pada pipa 2 – 13 dengan data uji diluar data training
D421102661, D421102771
7
Jurnal Tugas Akhir Teknik Informatika 2014
√ ∑
(
berwarna merah-kuning yang berkedip pada titik kebocoran.
)
Langkah-langkah penggunaan program deteksi. 1. Klik tombol “input data”. Setelah mengklik tombol tersebut, secara otomatis akan membuka file Ms. Excel. Masukan data pada tabel yang tersedia kemudian save dan close file Excel. 2. Klik tombol “prediksi” maka program akan segera menampilkan keterangan besar dan letak kebocoran.
Dimana : N P a Pmax Pmin
: Jumlah data masukan : Nilai aktual : Nilai hasil prediksi : Nilai aktual terbesar : Nilai aktual terkecil
Setelah dilakukan perhitungan prediksi data testing pada pipa 2 – 13 dengan Extreme Learning Machine (ELM), diperoleh nilai RMSE = 0.139778734234956 untuk prediksi besar kebocoran dan nilai RMSE = 0.0782805461267735 untuk prediksi letak kebocoran.
Posisi letak kebocoran pipa
5.2 Interface Sistem Deteksi Kebocoran Pipa Air Untuk memudahkan pengguna dalam menggunakan aplikasi ini, maka dibuatlah General User Interface (GUI). Diharapkan dengan tampilan yang sederhana dan menu-menu yang sedikit pengguna dapat menjalankan aplikasi ini dengan baik guna mendapatkan prediksi besar kebocoran dan letak kebocoran dengan baik. Tampilan dari aplikasi ini dapat dilihat pada gambar berikut.
Gambar 5.10 Interface program
6. Penutup 6. 1 Kesimpulan 1.
2.
3. Gambar 5.9 Inteface Program
Terdapat dua tombol yang tersedia pada aplikasi ini, tombol “input data” digunakan untuk membuka file excel yang merupakan tempat input data tekanan 44 junction dan tombol “prediksi” untuk melihat hasil prediksi besar dan letak kebocoran. Field “Keterangan” akan menampilkan hasil prediksi dan pada peta lokasi akan muncul penanda berupa titik
D421102661, D421102771
Kebocoran pipa menggunakan metode ELM, membuktikkan ke akuratan informasi besar dan letak titik kebocoran yang terjadi. Sehingga dapat membantu dalam memperkecil wilayah pendeteksi ketika terjadi kebocoran pada observasi tersebut. Perhitungan besar kesalahan (Error) prediksi Extreme Learning Machine pada semua pipa menggunakan data testing menghasilkan nilai NRMSE rata-rata yakni 0.063932 untuk besar kebocoran dan 0.20635 untuk letak kebocoran. Nilai akurasi rata-rata prediksi Extreme Learning Machine pada semua pipa menggunakan data testing yakni 88.68% untuk besar kebocoran dan 74,77% untuk letak kebocoran.
DAFTAR PUSTAKA [1] Utami, Patna Budi. 2013. Metro TV news: Kerugian akibat Kebocoran Air PDAM Makassar. http://www.metrotvnews.com/metronews/read/2013/0 5/28/6/157060/Kerugian-akibat-Kebocoran-Air-
8
Jurnal Tugas Akhir Teknik Informatika 2014 PDAM-Makassar-Rp737-Miliar tanggal 26 Desember 2013)
(Diakses
pada
[2] Musfidar, Buyamin dan Al Ghazaly. 2013. Skripsi: Sistem Deteksi Kebocoran Air pada Jaringan Pipa Menggunakan Analisis Tekanan dengan Metode Artificial Neural Network (ANN) Algoritma Radial Basis Function. Universitas Hasanuddin. [3] Annisa, Luthfiana. 2013. Step Test untuk Mengatasi Kebocoran. http://pdamsragen.com/index.php?option=com_conten t&view=article&id=250%3Astep&catid=34%3Ademo &Itemid=117#.UsAS4oU1iZQ (Diakses pada tanggal 26 Desember 2013) [4] Maxford, John.2009. An Application of Pattern Recognition for the Location and Sizing of Leaks in Pipe Networks. Urban Water Security Research Alliance. [5] Prasetyo, Eko. 2012. Data Mining: Konsep dan Aplikasi menggunakan Matlab. Yogyakarta: Penerbit Andi. [6] Dwi Agustina, Irwin. Tanpa Tahun. Penerapan Metode Extreme Learning Machine untuk Peramalan Permintaan. http://digilib.its.ac.id/public/ITSUndergraduate-9832-Chapter1.pdf (Diakses pada 16 Oktober 2014) [7] Huang, G.B. 2013. Extreme Learning Machine. http://www.ntu.edu.sg/home/egbhuang/ (.pdf)
D421102661, D421102771
9
