Pengembangan Model Jaringan Syaraf Tiruan untuk Memprediksi Jumlah Mahasiswa Baru di PTS Surabaya (Studi Kasus Universitas Wijaya Putra)
Abstract
Artificial Neural Network and data time series can use for good forecasting method. Artificial Neural Network is a method whose working principle is adapted from mathematical models in humans or biological neural.Neural networks are characterized by; (1)pattern of connections between the neurons(called architecture), (2)determine the weight of the connection (called training or learning), and (3)activation function.The objective of this research is to get the best artificial neural network architecture, compare two method of Backpropagation Artificial Neural Network with Radial Basis Function Artificial Neural Network (RBF).This research is a research using actual data (true experimental). This research was conducted at Wijaya Putra University Surabaya, using secondary data obtained from 2012 to 2016.The result of the research shows that there is a difference between RBF ANN method and the method of Backpropagation ANN, obtained statistical index of RBF ANN, MAE = 0.0074, RMSE = 0.0096, error = 12.6532%. Statistical index of Backpropagation ANN, MAE = 0.2129, RMSE = 0, 2752, error = 13.3217%.
Downloads
References
Han, J., Kamber,M., dan Pei, J. (2012), Data Mining Concepts and Techniques, Morgan Kaufmann Publishers, Waltham.
Huang, W., Foo, S. (2002). Neural network modeling of salinity variation in Apalachicola River. Water Research, 36, 356–362.
Irawan, M.I., Syaharuddin, Utomo, D.B., dan Mustikarukmi, A. (2013). Intelligent Irrigation Water Requirement System Based on Artificial Neural Networks and Profit Optimization for Planting Time Decision Making of Crops in Lombok Islands. Journal of Theoretical and Applied Information Technology, 58(3), 657-671.
Kurt, A., Oktay. A. B. (2010). Forecasting air pollutant indicator levels with geographic models 3 days in advance using neural networks. Expert Systems with Applications, 37, 7986-7992. doi:10.1016/j.eswa.2010.05.093.
Ye, S. (2012). RMB Exchange Rate Forecast Approach Based on BP Neural Network. Physics Procedia, 33, 287 – 293. doi:10.1016/j.phpro.2012.05.064.
Wang, Y., Niu, D., Ji, L. (2012). Short-term power load forecasting based on IVL-BP neural network technology. Systems Engineering Procedia, 4, 168 – 174. doi:10.1016/j.sepro.2011.11.062.
Penulis mengirimkan naskah dan pengertian bahwa jika diterima untuk proses dipublikasi, hak cipta dari artikel tersebut akan diberikan kepada jurnal ilmiah teknologi informasi asia. Jurnal ilmiah teknologi informasi asia (Jitika) dan Lp2m Stmik Asia Malang sebagai penerbit jurnal, komponen Hak cipta mencakup hak untuk mereproduksi dan mengirimkan artikel dalam semua bentuk dan media, termasuk cetak ulang, foto, mikrofilm, dan reproduksi serupa lainnya, serta terjemahannya.
Jurnal ilmiah teknologi infomasi asia, dan Lp2m ITB Asia Malang, beserta jajaran para redaksi berusaha keras untuk memastikan bahwa tidak ada data, opini, atau pernyataan yang salah atau menyesatkan ketika dipublikasikan di jurnal Jitika, dengan kondisi apapun, isi artikel dan iklan yang diterbitkan di Jurnal ilmiah teknologi infomasi asia adalah murni merupakan tanggung jawab masing-masing penulis dan pengiklan. Pengguna situs web ini akan dilisensikan dengan menggunakan materi dari situs web ini setelah Lisensi Internasional Creative Commons Attribution 4.0. Tidak ada biaya yang dibebankan. Silakan gunakan materi yang sesuai.
Anda bebas untuk:
Bagikan - salin dan sebarkan materi dalam media atau format apa pun.
Adaptasi - remix, transformasikan, dan bangun berdasarkan materi untuk tujuan apa pun, bahkan secara komersial.
Pemberi lisensi tidak dapat mencabut kebebasan ini selama Anda mengikuti ketentuan lisensi
