PREDIKSI PENGGUNAAN BANDWIDTH PENS_ITS MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION

(1)

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

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 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

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 PENS-ITS 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.

1.2.Tujuan

Tujuan dari proyek akhir ini adalah melakukan peramalan penggunaan bandwidth

(2)

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 (1, 2, 3, 4, 5), (1, 2, 7, T-14, T-21), (T-1, T-7, T-T-14, T-21, T-28). 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

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.

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)

= 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 :

(3)

Perambatan balik (Backpropagation) :

Langkah 6 : Tiap unit keluaran ( , k=1,..,m)

menerima pola target yang berhubungandengan pola masukan pelatihan, dan kemudian dihitung kesalahaninformasinya :

(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 :

(7) 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 :

(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)

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 :

(14) 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.

Gambar 1. Alur Sistem

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

(4)

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.

3.2.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.

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.

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.

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 (1, 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. Hasil ramalan untuk periode yang akan datang pada server Mesin Mini dapat dilihat pada Tabel 1 berikut ini :

(5)

Tabel 1. Data Ramalan Mesin Mini Tanggal Ramalan 23 Januari 2012 7819 24 Januari 2012 5360 25 Januari 2012 3928 26 Januari 2012 3084 27 Januari 2012 5190 4.1.2. Proxy1

Pada pengujian berdasarkan pada server Proxy1 memperlihatkan bahwa unit input 3, unit

T-7) 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 :

Tabel 2. Data Ramalan Proxy1

Tanggal Ramalan 23 Januari 2012 49 24 Januari 2012 162 25 Januari 2012 148 26 Januari 2012 158 27 Januari 2012 176 4.1.3. Proxy2

Pada pengujian berdasarkan pada server Proxy2 memperlihatkan bahwa unit input 3, unit

T-7) 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

(T-1, T-2, T-7).

Tanggal Ramalan 23 Januari 2012 26 24 Januari 2012 32 25 Januari 2012 53 26 Januari 2012 45 27 Januari 2012 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 :

Tabel 4. Data Ramalan Proxy1_401

Tanggal Ramalan 21 Januari 2012 4295297.36 22 Januari 2012 1085065.88 23 Januari 2012 1703995.95 24 Januari 2012 1963094.74 25 Januari 2012 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 :

(6)

Tabel 5. Data Ramalan Proxy1_411 Tanggal Ramalan 23 Januari 2012 625631.26 24 Januari 2012 184588.21 25 Januari 2012 2812427.88 26 Januari 2012 2990926.70 27 Januari 2012 549383.18 4.2.3. Proxy2

Pada penujian berdasarkan jumlah trafik pada server proxy2 memperlihatkan bahwa unit

(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).

Tanggal Ramalan 23 Januari 2012 6468136.36 24 Januari 2012 5802491.14 25 Januari 2012 1373686.58 26 Januari 2012 5029343..84 27 Januari 2012 5169555.22

4.3.Perbandingan Korelasi dalam satu server (Mesin Mini)

Tabel 7. Korelasi dalam server Mesin Mini

No. Korelasi 1. 90% 2. 94% 3. 86% 4. 85% 5. 93%

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

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.

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”,