• Tidak ada hasil yang ditemukan

Prediksi Penjualan Pada Perusahaan Industri Menggunakan Back Propagation

N/A
N/A
Protected

Academic year: 2017

Membagikan "Prediksi Penjualan Pada Perusahaan Industri Menggunakan Back Propagation"

Copied!
2
0
0

Teks penuh

(1)

52

DAFTAR PUSTAKA

Witten, I. H et al . 2011. Data Mining Practical Learning Tools and Techniques. United States of America: Morgan Kaufmann Publishers.

Dougles C. Montgomere, 1990, Introduction to Statistical Quality Control. Washington. United State of America: John Wiley & Sons Inc.

Date, C.J. 2000. An Introduction to Databases System, seventh Edition. California. United States of America: Addison Wesley Publishing Company.

Connolly, Thomas & Begg, Carolyn. 2002. Database Systems: A Practical Approach to Design, Implementation, and Management, third edition. United States of America.

Addison Wesley Publishing Company.

Muis, S. 2009. Identifikasi Pola Sinyal Dengan Menggunakan Teknik Neural Networks. Yogyakarta, Indonesia, Graha Ilmu.

Puspitaningrum, D. 2006. Pengantar Jaringan Saraf Tiruan. Yogyakarta, Indonesia, Andi Offset.

Sutojo, T et al. 2011. Kecerdasan Buatan. Yogyakarta, Indonesia, Andi Offset.

Haykin. S. 2009. Nueral Networks and Learning Machines. United State of America: Pearson.

Saputro, N. 2002. Perbandingan Arsitektur Multilayer Feedfoward Network dengan Topologi Multiprosesor Ring Array dan Linear Array. S.Kom Skripsi. Yogyakarta, Indonesia: Universitas Gajah Mada.

Andrijasa, M. 2010. Penerapan Jaringan Saraf Tiruan Untuk Memprediksi Jumlah Pengangguran Di Provinsi Kalimantan Timur Dengan Algoritma Pembelajaran

Backpropagation. S.Kom Skripsi. Samarinda, Indonesia: Universitas Mulawarman. Sangadji, B. 2009. Prediksi Perilaku Pola Pengunjung Terhadap Transaksi Pada Toko Buku

Gramedia Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation. S.TI Skripsi. Jakarta, Indonesia: STT PLN.

Mulyana, S. 2008. Teknik Peramalan Tingkat Penjualan Dengan Jaringan Saraf Tiruan. S.Kom Skripsi. Yogyakarta, Indonesia: Universitas Gajah Mada.

Assauri, S. 1984. Teknik dan Metode Peramalan. Fakultas Ekonomi UI. Jakarta Indonesia: Universitas Indonesia.

(2)

53

Sari, H. 2009. Prediksi Curah Hujan Kota Bengkulu Dengan Model FeedFoward Neural Network (FFNN). S.Kom Skripsi. Bengkulu, Indonesia: Universitas Dehasen.

Apriliyah. at al. 2008. Perkiraan Penjualan Beban Listrik Menggunakan Jaringan Saraf Tiruan Resilent Backpropagation. S.kom Skripsi. Malang, Indonesia: Universitas Brawijaya.

Arief Hermawan. 2006. Jaringan Syaraf Tiruan.Yogayakarta: Penerbit Andi.

Kusumadewi, S. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Excel Link. Penerbit Graha Ilmu.

Siang, Jong Jek. 2004. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab.

Yogyakarta : Penerbit Andi.

Moekijat. 2000. Kamus Manajemen. Bandung: Penerbit Mandiri Maju. Markadis, S. 1991. Metode Aplikasi Peramalan. Jakarta: Penerbit Erlangga. Beigel, John E. 1992. Suatu Pendekatan Kuantitatif Pada Pengendalian Produksi. Jakarta : Akademi Presindo.

Hermawan, A. (2006). Jaringan Syaraf Tiruan Teori dan Aplikasi. Yogyakarta: Penerbit Andi.

Montgomery, Douglas. 1990. Pengantar Pengendalian Kualitas Statistik. Yogyakarta: Penerbit Gadjah Mada University Press.

Muchtar, M.A. & Sani, M.F. 2011. Modul Praktikum Desain Perangkat Lunak. Modul Praktikum. Universitas Sumatera Utara.

Gea, D. 2011. Analisis pengujian optimalisasi kinerja website.Seminar Nasional Aplikasi Teknologi Informasi, pp. 55-59.

Sommerville, I. 2004. Software Engineering. 7th edition. Harlow: Pearson Education.

Referensi

Dokumen terkait

IMPLEMENTASI JARINGAN SARAF TIRUAN RADIAL BASIS FUNCTION (RBF) PADA PERAMALAN FOREIGN EXCHANGE (FOREX).. Universitas Pendidikan Indonesia |

Dari permasalahan di atas, timbul gagasan untuk merancang sebuah sistem peramalan dengan menggunakan jaringan saraf tiruan jumlah penumpang kereta api dan menganalisis parameter –

Penerapan algoritme jaringan saraf tiruan Backpropagation pada peramalan indeks harga konsumen Indonesia dapat dilakukan dengan langkah pertama yaitu pembentukan

Dalam peramalan data runtun waktu IHSG, peneliti menerapkan jaringan saraf tiruan ( neural network ) dengan metode backpropagation sebagai teknik peramalan dan kriteria MSE (

Jakarta: Kementerian Lingkungan Hidup Republik Indonesia.. Yogyakarta: Universitas Gajah Mada

Agar dapat digunakan untuk memprediksi kerusakan motor induksi khususnya pada stator dengan tingkat akurasi di atas 85% jaringan saraf tiruan harus memiliki struktur jaringan

Aplikasi jaringan syaraf tiruan telah berhasil diterapkan untuk kendali pergerakan smart solar tracker dengan tingkat efisiensi kapasitas daya rata – rata yang dihasilkan 6,79

Dari permasalahan di atas, timbul gagasan untuk merancang sebuah sistem peramalan dengan menggunakan jaringan saraf tiruan jumlah penumpang kereta api dan menganalisis parameter –