PEMBUATAN PERANGKAT LUNAK PERAMALAN MENGGUNAKAN METODE ANN DENGAN MEMANFAATKAN LIBRARY ENCOG JAVA Resa Alfarisi, Wiwik Anggraini S.Si, M.Kom2, Rully Agus Hendrawan S.Kom, M.Eng3 Jurusan Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Surabaya, 60111, Indonesia Telp : (031)5939214, Fax : (031)5964965 E-mail :
[email protected],
[email protected],
[email protected] Abstrak Kondisi perusahaan dapat diketahui melalui data keuangan, penjualan dan produksi (bagi perusahaan manufaktur), selanjutnya kondisi tersebut menjadi bahan pendukung keputusan. Salah satu cara yang digunakan untuk mengetahui kondisi tersebut adalah peramalan. Tugas akhir ini menggunakan metode artificial neural network (ANN) sebagai satu-satunya metode dari perangkat lunak peramalan yang akan dibangun. Penggunaan ANN sebagai metode peramalan sangat efektif karena ANN merupakan model umum yang dapat menggabungkan karakteristik data yang kompleks dan menghasikan model runtut waktu yang lebih akurat dengan waktu yang relative lebih cepat dibandingkan dengan model runtut waktu biasa seperti ARIMA (Doganis, Alexandridis, Patrinos, & Sarimveis, 2006). Tugas akhir ini dibangun menggunakan Java dengan library utama Encog. Encog merupakan library java yang dikembangkan oleh Jeff Heaton yang salah satu fiturnya adalah ANN lengkap dengan proses training dan testing-nya. Kata kunci : Peramalan, artificial neural network (ANN), Encog, training, testing.
Abstraction The company's condition can be found out by its financial, sales and production data (for manufacturer companies) which were then analyzed in order to be the material of decision support. One method of analysis used was forecasting. This final project implements the (ANN) Artificial Neural Network as the only method for the forecasting application to be developed. The application of ANN as the forecasting method is very effective because the ANN is a common model that combines the characteristics of complex data and generate coherent model of a more accurate time with a relatively faster time than the usual time coherent model like ARIMA (Doganis, Alexandridis, Patrinos, & Sarimveis, 2006). This final project is developed by using Java with the main library Encog. Encog is a java library developed by Jeff Heaton which one of the features were the ANN equipped by the training process and testing. Keyword: forecasting, (ANN) Artificial Neural Network, Encog, training, testing.
1. Pendahuluan Peramalan merupakan langkah untuk memprediksikan sesuatu di masa yang akan datang. Pada kenyataanya hasil dari sebuah peramalan tidak selalu tepat sama atau dapat dikatakan peramalan tersebut mempunyai error atau kesalahan. Hal yang harus dilakukan agar ramalan tersebut dapat tetap berguna bagi perusahaan, adalah meminimalkan error atau penyimpangan yang terjadi. Dengan kata lain, semakin kecil error yang dihasilkan, maka semakin akurat hasil permalan yang diperoleh. Pada tugas akhir kali ini, akan dijelaskan bagaimana membuat perangkat lunak peramalan penjualan berbasis desktop dengan menggunakan metode ANN. Pada tugas akhir kali ini, metode artificial neural network (ANN) digunakan sebagai satusatunya metode dari perangkat lunak peramalan yang akan dibangun. Penggunaan ANN sebagai metode peramalan sangat efektif dan merupakan model umum yang dapat menggabungkan karakteristik data yang kompleks dan menghasikan
model runtut waktu yang lebih akurat dengan waktu yang relative lebih cepat dibandingkan dengan model runtut waktu biasa seperti ARIMA (Doganis, Alexandridis, Patrinos, & Sarimveis, 2006). Untuk dapat menghasilkan prediksi saat ini, perangkat lunak akan melakukan proses training terhadap data runtut waktu dan faktor-faktor yang berpengaruh pada waktu-waktu sebelum ini, yang selanjutnya didapatkan hasil pembelajaran atau training berupa bobot dan bias yang kemudian digunakan untuk proses testing dan menghasilkan nilai peramalan saat ini. Bahasa pemrograman yang digunakan adalah Java dengan library utama adalah Encog. Encog merupakan library java yang dikembangkan oleh Jeff Heaton yang salah satu fiturnya mengenai ANN lengkap dengan proses training dan testingnya. Pada dasarnya ada banyak library Java tentang ANN, namun menurut forum resmi netbeans, Encog mempunyai kelebihan daripada library lain seperti Joone ataupu Neuroph.
2.
Peramalan Menggunakan ANN Artificial Neural Network atau Jaringan Saraf Tiruan merupakan sistem pemrosesan informasi yang mempunyai karakteristik kerja sama dengan sistem saraf yang ada di tubuh manusia. Ada banyak sekali macam model neural network, salah satu yang paling popular adalah model multilayer feed-forward neural network dengan algoritma Backpropagation. Arsitektur multilayer feedforward neural network terdiri dari 3 layer yaitu Input, Hidden, dan Output. Didalam setiap layer ada satu atau lebih neuron atau node yang saling terhubung dengan neuron atau node di layer lain yang terdekat. Istilah lain yang sering muncul pada lgoritma ini adalah bobot (w) dan bias(Ө) (Han & Kamber, 2006) dapat dilihat pada gambar 1. Berikut beberapa hal yang harus dipahami sebelum menjalankan proses backpropagation: i. Penentuan Jumlah Hidden Layer Pada dasarnya jumlah hidden node tidak dapat ditentukan secara pasti, namun jumlah hidden node yang digunakan adalah setengah jumlah input node ditambah satu. ii. Penentuan Bobot dan Bias Awal Nilai bobot awal harganya acak dan kecil (small and random) atau random dari -5 sampai dengan 0.5 (Han & Kamber, 2006). Jika semua bobot awal diberi harga yang sama, jaringan tidak akan terlatih dgan benar. iii. Learning Rate (η) Faktor lain yang mempengaruhi efektivitas dan konvergensi proses pelatihan algoritma backpropagation adalah laju belajar atau Learning Rate (η ).Tidak ada aturan yang pasti mengenai laju belajar. Nilai α yang terlalu besar menyebabkan meningkatnya kecepatan dalam menemukan nilai performansi error yang diinginkan, namun memungkinkan terjadi overshoot. Sebaliknya nilai η yang terlau kecil menyebabkan pelatihan yang lambat. iv. Momentum (α) Parameter ini berfungsi sebagai pemercepat dalam mencari nilai bobot dan memastikan proses penyesuaian bobot harus tetap ke arah yang sama untuk menemukan error minimal global. Pada dasarnya nilai momentum berkisar antara 0.5 sampai dengan 0.9 (Purnomo & Kurniawan, 2006). Keanaikan dari nilai momentum dilakukan jika jaringan terlalu lama dalam mengahasilkan error yang diinginkan. Selain itu momentum berguna untuk mencegah pembelajaran agar tidak terjebak ke dalam lokal minimum error.
Gambar 1. Jaringan Artificial Neural Network
3.
Data Masukkan Data yang digunakan dalam tulisan ini adalah data yang diambil dari penelitian sebelumnya yaitu diantaranya : i. data permintaan kamar hotel beserta faktorfaktor yang mempengaruhinya (Anggono, Anggraeni, & Mukhlason, 2011). Data permintaan kamar hotel ini adalah data yang stationer yang dapat dilihat pada gambar 2.
Gambar 2. Grafik Permintaan Kamar Hotel
a. data permintaan mobil di Austria beserta faktor-faktor yang mempengaruhinya (Linawati, Anggraeni, & Vinarti, 2011). Data permintaan mobile di Austria juga bersifat stationer yang dapat dilihat pada gambar 3
Gambar 3. Grafik Permintaan Mobil di Austria
b. dan data jumlah pengunjung yang masuk ke Hongkong dari Jepang (Law & Au, 1999). Sedangkan data pengunjung yang datang ke Hong Kong dari Jepang adalah
data tidak stationer yang dapat dilihat pada Gambar 4 Gambar 7. Format Sheet
Gambar 4. Grafik Jumlah Pengunjung Ke Hong Kong dari Jepang
Data-data tersebut selanjutnya diproses dengan menggunakan metode pada perangkat lunak peramalan ini, dan selanjutnya hasil ramalan perangkat lunak akan dibandingkan dengan hasil ramalan metode pada penelitian sebelumnya. 4.
Rancangan dan Implementasi Perangkat Lunak Tahapan yang akan dilakukan pengguna perangkat lunak secara umum dapat dilihat pada Gambar 5.
Gambar 5. Tahapan Proses Umum Perangkat Lunak
4.1. Proses Load File Excel Pada tahap ini, pengguna diharapkan sudah memiliki file masukan berupa file Excel dengan syarat sebagai berikut: • Data berupa file Excel berekstensi .xls. • Nilai berkala berupa angka. • Setiap sheet diberi nama seperti gambar 6. • Header hanya terdapat pada baris pertama seperti gambar \7.
4.2. Proses Normalisasi Pada dasarnya data masukan untuk melakukan peramalan bentuk dan skalanya berbeda-beda padahal menurut jeff heaton (Heaton Research, Inc., 2010), setiap nilai input node pada input layer harus bernilai antara 0 sampai dengan 1. Oleh karena itu, perlu adanya proses prepocessing data berupa normalisasi data. Umumnya normalisasi data yang sering digunakan adalah normalisasi min-max yang dapat diliha pada pers (1), jika batas nilai_normalisasi adalah [Ba,Bb].
(1) dengan, • Nilai_min = nilai terkecil dari keseluruhan data. • Nilai_max = nilai terbesar dari keseluruhan data. 4.3. Proses Training Proses ini dilakukan jika semua parameter dan atribut terisi dengan benar. Proses training bertujuan untuk mencari jaringan yang optimal yang selanjutnya digunakan untuk melakukan peramalan. Yang dimaksud dengan jaringan dalam hal ini adalah bobot pembelajaran beserta biasnya. Jika dijelaskan, maka hal yang ada pada tahap training adalah sebagai berikut: • Inisialisasi layer dan neuron disesuaikan dengan keinginan pengguna pada tahap sebelumnya. • Fungsi aktivasi yang digunakan adalah jika fungsi aktivasi sigmoid. digambarkan, persamaan fungsi dari fungsi aktivasi unipolar sigmoid dapat dilihat pada gambar 8. (2)
Gambar 8. Fungsi Aktivasi Sigmoid
• • Gambar 6. Format Header dan Nilai Berkala
Model pembelajaran menggunakan backprogagation. Inisialisasi bobot pembelajaran antara 0 sampai dengan 1.
•
adalah MAPE yang nilainy diperoleh dengan menggunakan persamaan 7.
Perhitungan output dilakukan dengan memasukan nilai input ke dalam jaringan yang telah dibuat sebelumnya. • Perbandingan nilai output dan nilai pada kelas target sebenarnya adalah berupa error atau kesalahan. • Jika error masih kurang dari error yang diinginkan, maka error akan diperkecil dengan mengganti bobot dan bias. • Jika error yang dinginkan tidak dapat tercapai pada saat epoch yang telah ditentukan, maka proses training akan berhenti. Gambar 9 merupakan digram alir yang merangkum tahapan training diatas dengan menggunakan model backpropagation dengan fungsi aktivasi sigmoid.
(3) (4) dimana,
(5)
(6) (7) 5.
Gambar 9. Proses Training
4.4. Proses Testing Tahap ini, pada dasarnya adalah tahap terakhir dalam perangkat lunak peramalan. Hasil dari tahap beberapa macam pengertian, yaitu : • Nilai prediksi, yaitu nilai yang mamang diinginkan pengguna sebagai nilai ramalan pada periode tertentu. Sehingga fokus dari nilai adalah nilai peramalan yang dihasilkan. • Nilai pesimis, yaitu nilai interval terbesar yang diharapkan pada periode berikutnya. Nilai ini diperoleh dengan menggunakan persamaan 4. • Nilai optimis, yaitu nilai interval terendah yang dapat diterima pada periode berikutnya. Nilai ini diperoleh dengan menggunakan persamaan 3. • Nilai most likely, yaitu nilai rata-rata dari history nilai sebelumnya. • Nilai testing pada umumnya, yaitu perbandingan antara nilai yang dihasilkan dengan nilai sebenarnya. Sehingga fokus nilai terdapat pada nilai perbandingan tersebut, dalam hal ini
Uji coba 5.1. Uji Coba pada Data Permintaan Kamar Hotel Atribut yang digunakan terdiri dari dua jenis atribut dengan pembagiannya sebagai berikut: • atribut input layer diantaranya jumlah pengunjung dan kurs mata. • atribut output layer adalah permintaan kamar hotel. Dari atribut input layer tersebut diperoleh jumlah hidden node adalah 2. Dengan melakukan perubahan terhadap epoch dan learning rate dan melakukan training dan testing sebanyak 10 kali, didapat MAPE rata-rata yang terkecil, yang selanjutnya akan diperoleh epoch dan learning rate yang optimal yaitu sebesar : • epoch yang optimal sebesar 3000. • learning rate 0.3. • MAPE sebesar 9.0692%. Selanjutnya epoch dan learning rate yang sudah diuji coba dan optimal, akan digunakan untuk meramalkan permintaan kamar hotel. Proses training menghasilkan akurasi training sebesar 94.04 %, sedangkan proses testing menghasilkan error dalam bentuk MAPE sebesar 8.68%, sedangkan hasil peramalan dapat dilihat pada tabel 4.. 5.2. Uji Coba pada Data Permintaan Mobil di Austria Variabel yang menjadi atribut pad input dan output layer pada peramalan permintaan mobil diantaranya : • atribut input layer meliputi net price, price, on promotion.
•
atribut output layer adalah atribut yang diramalkan yaitu permintaan atau demand. Karena jumlah hidden node adalah setengah dari jumlah input node atau atribut input layar ditambah dengan 1, maka jumlah hidden node pada peramalan permintaan adalah 2. Dengan melakukan perubahan terhadap epoch dan learning rate dan melakukan training dan testing sebanyak 10 kali, didapat MAPE rata-rata yang terkecil, yang selanjutnya akan diperoleh epoch dan learning rate yang optimal yaitu sebesar : • epoch optimal sebesar 5000. • learning rate optimal sebesar 0.1. • dan MAPE sebesar 2.3659%. Selanjutnya epoch dan learning rate yang sudah diuji coba dan optimal, akan digunakan untuk meramalkan permintaan mobil di Austria. Proses training menghasilkan akurasi training sebesar 95.63%, sedangkan proses testing menghasilkan error dalam bentuk MAPE sebesar 2.29%. Sedangkan hasil peramalan permintaan mobil di Austria dapat dilihat pada tabel 5. 5.3. Uji Coba pada Data Pengunjung Ke Hong Kong dari Jepang Variabel yang menjadi atribut pada input dan output layer pada peramalan permintaan mobil. Atribut input layer meliputi : • Service price in Hong Kong relative to Japan. • Harga rata-rata hotel di Hong Kong. • Nilai tukar mata uang Jepang (¥) terhadap US$. • Total jumlah populasi orang di Jepang. • Biaya promosi Hong Kong. • Gross Domestic Expenditure per Capita in Japan. Selanjutnya dilakukan uji coba untuk mengetahui epoch dan learning rate yang optimal agar dapat menghasilkan error berupa MAPE rata-rata terkecil dengan melakukan training dan testing sebanyak 10 kali. Perlu diketahui, jumlah hidden node yang digunakan disesuaikan dengan referensi acuan sebesar 10 node. Hasil uji coba adalah sebagai berikut : • epoch sebesar 8000. • learning rate sebesar 0.8. • MAPE sebesar 11.432 % . Selanjutnya epoch dan learning rate yang sudah diuji coba dan optimal, akan digunakan untuk meramalkan pengunjung dari Jepang ke Hong Kong. Proses yang dilakukan setelah memasukkan parameter (epoch dan learning optimal beserta atribut lain) adalah melakukan training dan testing. Proses training
6.
menghasilkan akurasi training sebesar 95.56 %, sedangkan proses testing menghasilkan error dalam bentuk MAPE sebesar 9.37%. Sedangkan hasil peramalan dapat dilihat pada tabel 6. Perbandingan ANN dengan Metode Lain 6.1. ANN dengan VAR pada Peramalan Permintaan Kamar Hotel Tabel 6.7 menunjukkan perbandingan keluaran peramalan antara metode ANN dengan metode VAR, dimana metode ANN lebih baik dalam hal kesalahan peramalan (MAPE) karena lebih sedikit persentase kesalahan yang diperoleh dari pada metode VAR. Tabel 1. Perbandingan MAPE antara ANN dengan VAR
Metode
MAPE
Artificial Neural 8.68% Network (ANN) Vector 11.54% Autoregressive (VAR) 6.2. ANN dengan Regresi Berganda pada Permintaan Mobil di Austria Tabel 6.8 menunjukkan perbandingan keluaran peramalan antara metode ANN dengan metode Regresi Berganda, dimana metode ANN sama baik dalam hal kesalahan peramalan (MAPE) walaupun nilainya lebih sedikit persentase kesalahan yang diperoleh dari pada metode Regresi Berganda. Tabel 2. Perbandingan MAPE antara ANN dengan Regresi Berganda
Metode
MAPE
Artificial Neural Network (ANN)
2.30%
Regresi Berganda
2.83%
6.3. Hasil Keluaran Perangkat Lunak Dibanding Penelitian Sebelumnya pada Peramalan Pengunjung ke Hong Kong dari Jepang Pada perbandingan kali ini tidak seperti perbandingan sebelumnya, karena tujuannya hanya membandingkan dan menarik kesimpulan bahwa hasil yang diperoleh perangkat lunak sudah sesuai dengan referensi (Law & Au, 1999). Sehingga jika merujuk pada tabel , menunjukkan bahwa keluaran perangkat lunak sudah sesuai dengan hasil penelitian Law & Au, 1999.
Tabel 3. MAPE Perbandingan Hasil Perangkat lunak dengan Referensi
Metode Tugas akhir Resa Penelitian Law & Au 7.
•
MAPE (%) 9.19 10.59 •
Kesimpulan dan saran 7.1. Kesimpulan Dari hasil pengamatan selama perancangan, implementasi, dan uji coba perangkat lunak, dapat diambil beberapa kesimpulan sebagai berikut: • Perbedaan hasil ramalan dengan menggunakan artificial neural network (ANN) setiap percobaa (training dan testing) tidak selalu sama, walaupun parameter yang digunakan sama. Hal ini terjadi karena bobot dan biasnya bernilai tidak sama dan selalu diacak setiap percobaan. • Setelah membandingkan dengan metode Vector Autoregressive (VAR) pada peramalan permintaan kamar hotel, ANN memberikan hasil lebih baik dengan selisih MAPE sebesar 2.86%. Hasil tersebut diperoleh dengan nilai learning rate sebesar 0.3, epoch 3000, dan momentum sebesar 0.5. • Pada peramalan permintaan mobil di negara Austria, metode ANN juga memberikan hasil yang lebih baik dari pada metode regresi berganda, walupun selisih yang diperoleh tidak teralalu signifikan yaitu dengan selisih sebesar 0.53%. Hasil tersebut diperoleh dengan nilai learning rate 0.1, epoch 5000, dan momentum sebesar 0.5.
Sedangkan pada peramalan jumlah pengunjung ke Hong Kong yang berasal dari Jepang, perangkat lunak peramalan tugas akhir ini memberikan hasil ramalan yang mendekati hasil dari penelitian yang dilakukan oleh Law dan Au tahun1999 yaitu sebesar 9.19% dengan metode yang sama yaitu ANN. Jika melihat tabel 1, 2, dan 3 dapat dilihat bahwa data yang bersifat stationer memiliki rata-rata error (MAPE) yang cukup besar. Sehingga, dapat disimpulkan bahwa metode ANN lemah jika digunakan untuk meramalkan pada data yang bersifat stationer.
7.2. Saran Beberapa saran yang ditujukan untuk pengembangan sistem ini di masa yang akan datang berdasarkan hasil perancangan, implementasi, dan uji coba yang telah dilakukan adalah : • Karena rentang data hanya bernilai positif, maka perangkat lunak ini menggunakan sigmoid sebagai fungsi aktivasinya. Akan lebih baik, perangkat lunak dapat memungkinkan untuk digunakan fungsi aktivasi selain sigmoid. Sebagai contoh jika data yang digunakan memiliki rentang nilai tidak hanya positif, maka dimungkinkan penggunaan fungsi aktivasi selain sigmoid. • Perlu adanya penelitian yang lebih dalam mengenai interval kepercayaan (nilai pesimis, optimis, dan mostlikely) yang disesuaikan dengan jenis data dan point of view pengguna. • Perlu adanya pengembangan lebih lanjut pada peramalan dengan menggunakan metode ANN pada data tidak stationer.
Tabel 4. Hasil Ramalan Permintaan Kamar Hotel
pesimis
mostlikely
optimis
hasil_ramalan
data
kesalahan relatif (%)
28.50057
38.4375
47.49943
39.77532
46
13.53192
36.43153
38.59184
55.56847
41.83477
48
12.84424
38.36919
38.78
57.63081
43.52811
42
3.638353
32.46239
38.84314
51.53761
41.44632
34
21.90096
24.329
38.75
43.671
38.49376
41
6.11278
31.40263
38.79245
50.59737
41.02859
44
6.753209
34.46352
38.88889
53.53648
38.91433
43
9.501563
33.49103
38.96364
52.50897
39.70007
39
1.795049
29.58123
38.96429
48.41877
35.04701
31
13.05488
21.60702
38.82456
40.39298
39.40477
39
1.037873
29.69401
38.82759
48.30599
40.69271
45
9.571762
35.70888
38.9322
54.29112
34.47261
33
4.462466
Tabel 5. Hasil Ramalan Permintaan Mobil di Austria
pesimis
mostlikely
optimis
Hasil ramalan
data
kesalahan relatif (%)
37.9853
35.99275
44.0147
41.98965
41
2.413792
37.99186
36.02878
44.00814
38.66253
38
1.743487
35.00089
36.04286
40.99911
33.63503
36
6.569347
32.98568
36.04255
39.01432
26.54364
28
5.201293
24.98681
35.98592
31.01319
30.22684
30
0.75613
26.99746
35.94406
33.00254
46.61185
47
0.825848
44.00753
36.02083
49.99247
51.72504
53
2.405583
50.01075
36.13793
55.98925
38.55956
38
1.472527
35.01989
36.15068
40.98011
61.19646
62
1.296033
59.02742
36.32653
64.97258
42.06484
43
2.174797
40.03384
36.37162
45.96616
52.02478
52
0.04766
49.04411
36.47651
54.95589
46.61185
47
0.825848
44.05359
36.54667
49.94641
51.72504
53
2.405583
50.05641
36.65563
55.94359
30.15037
31
2.740734
28.06319
36.61842
33.93681
26.04551
25
4.182042
22.06826
36.54248
27.93174
33.82398
33
2.496922
30.07509
36.51948
35.92491
30.15037
29
3.966801
26.07903
36.47097
31.92097
33.63503
34
1.073427
31.0881
36.45513
36.9119
56.74442
56
1.329321
53.09525
36.57962
58.90475
38.55956
39
1.129333
36.10387
36.59494
41.89613
33.82398
33
2.496922
30.11033
36.57233
35.88967
46.80649
45
4.01442
42.10568
36.625
47.89432
22.50004
23
2.173755
20.11387
36.54037
25.88613
46.61185
48
2.891976
45.11488
36.61111
50.88512
52.02478
52
0.04766
49.12399
36.70552
54.87601
38.27417
39
1.861113
36.1308
36.71951
41.8692
62.31155
61
2.150078
58.13256
36.86667
63.86744
47.21663
46
2.644846
43.13529
36.92169
48.86471
58.26142
56
4.038246
53.12304
37.03593
58.87696
30.15037
31
2.740734
28.12889
37
33.87111
47.21663
46
2.644846
43.13159
37.05325
48.86841
30.11004
30
0.366791
27.14021
37.01176
32.85979
30.15037
31
2.740734
Tabel 6. Hasil Ramalan Pengunjung ke Hong Kong dari Jepang
pesimis
mostlikely
optimis
Hasil ramalan
data
kesalahan relatif (%)
2351285
765326.8
2414495
160852
168473
4.52358
137584.7
736905.2
199361.3
247518.1
237950
4.021045
207596.5
714225.4
268303.5
348626.5
349212
0.167651
319658.5
698355.3
378765.5
398812.9
486677
18.05388
438511
689535.3
534843
423438
382740
10.63334
332592
677263.5
432888
501996.4
472182
6.314172
421612.7
669375.8
522751.3
906239.4
1033525
12.31568
961637.3
682862.8
1105413
1025886
1240470
17.29864
1129266
702777.3
1351674
1289785
1280905
0.693224
1171884
722712.8
1389926
1182882
1440632
17.89144
Daftar Pustaka Anggono, D. N., Anggraeni, W., & Mukhlason, A. (2011). Analisa Data Runtut Waktu Multi-variabel Menggunakan Metode Vector Autoregression (VAR) untuk Peramalan Permintaan Kamar Hotel. Surabaya: Jurusan Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember. Doganis, P., Alexandridis, A., Patrinos, P., & Sarimveis, H. (2006). Time series sales forecasting for short shelf-life food products based on ficial arti neural networks and evolutionary computing. Journal of Food Engineering , 196-204. Han, J., & Kamber, M. (2006). Data Mining Concepts and Techniques (2nd Edition ed.). (Elsevier, Ed.) San Francisco, CA 94111: Morgan Kaufman. Heaton Research, Inc. (2010, November). encog. Retrieved from heatonresearch.com: http://www.heatonresearch.com Karlik, B., & Olgac, A. V. (2011). Performance Analysis of Various Activation
Function in Generalized MLP Architectures of Neural Networks. International Juurnal of Artificial Intelligence and Expert Systems (IJAE) , 1 (4), 1. Law, R., & Au, N. (1999). A neural network model to forecast Japanese demand for travel to Hong Kong. Tourism Management , 89-97. Linawati, F., Anggraeni, W., & Vinarti, R. A. (2011). Penggunaan Metode Regresi Berganda Untuk Meramalkan Permintaan Mobil dengan N Variabel Independent Adaptif. Surabaya: Jurusan Sistem Informasi,Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Surabaya. Purnomo, M. H., & Kurniawan, A. (2006). Supervised Neural Network dan Perangkat lunaknya. Yogyakarta: Graha Ilmu. taheretaheri. (2010, june 3). Benchmarking and Comparing Encog, Neuroph and JOONE Neural Networks. Retrieved from codeproject.com: http://www.codeproject.com/KB/recipes/benchmar k-neuroph-encog.aspx
