Garuda - Garba Rujukan Digital

Sistem Pendukung Keputusan Kelompok Penentuan Kelayakan Lokasi Pemukiman Mutammimul Ula; Azhari SN
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 7, No 1 (2013): January
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.3055

AbstrakSebagai daerah yang rawan bencana dari tsunami, dan abrasi gelombang laut, dibutuhkan suatu lokasi yang layak untuk dapat dijadikan suatu daerah pemukiman untuk mendukung perkembangan perekonomian, sarana dan prasarana, serta sosial ekonomi di pemerintah kota Lhokseumawe. Oleh sebab itu, diperlukan penentuan kelayakan lokasi pemukiman yang layak untuk direkomendasi menjadi sebuah pemukiman yang akan dibangun. Sehingga perlu dilakukan evaluasi terhadap areal fisik pemukiman, sarana dan prasarana, dan sosial-ekonomi yang akan direkomendasi menjadi suatu lokasi pemukiman. Masukan dari masyarakat sangat dibutuhkan untuk mengetahui masalah lokasi yang akan direkomendasi menjadi sebuah pemukiman. Hal ini dilakukan agar pihak pengawas mengetahui dan dapat mengantisipasi masalah-masalah yang terjadi pada lokasi tersebut. Penerapan sistem pendukung keputusan kelompok atau Group Decision Support System (GDSS) yang dibuat menggunakan metode VIKOR (Vlse Kriterijumska Optimizacija Kompromisno Resenje in Serbia) dapat membantu para pengambil keputusan dalam melakukan perankingan nilai masing-masing alternatife solusi, entropy sebagai pembobotannya dari setiap kriteria.. Sementara metode Copeland score, sebagai salah satu metode voting yang tekniknya berdasarkan pengurangan frekwensi kemenangan dengan frekwensi kekalahan dari perbandingan berpasangan untuk melakukan voting terhadap solusi yang akan di ambil para decision maker. Kata kunci— GDSS, Vikor, Entropy, Copeland Score, lokasi pemukiman. AbstrakAs a disaster-prone areas of the tsunami, ocean waves and abrasion, it takes a decent location to be used as a residential area to support economic development, infrastructure, social and economic development of Regional Goverment of Lhokseumawe. Therefore, it is necessary to have feasibility determination of viable residential locations as recommendation to be a settlement. So it is necessary to evaluate the physical area of settlements, infrastructure, economic and social development that will be recommended to be a residential location. Public suggestion is needed to determine the problem locations to be recommended to a settlement. The application of group decision support systems or Group Decision Support System (GDSS) are made using the VIKOR method (Vlse Kriterijumska Optimizacija Kompromisno Resenje in Serbia) that is able to assist decision makers in the ranking value to each solution alternatives, entropy wih weigt for criterias, the method of Copeland score, as one method of voting is the technique by reducing the frequency of victory with the defeat of the comparison frequency pairs can be used to vote for a solution that will take the decision makers. Keyword— GDSS, Vikor, Copeland Score, Entropy, location determination.

Prediksi Pemakaian Listrik Kelompok Tarif Menggunakan Jaringan Syaraf Tiruan dan ARIMA Silviani E Rumagit; Azhari SN
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 7, No 2 (2013): July
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.3359

AbstrakLatar Belakang penelitian ini dibuat dimana semakin meningkatnya kebutuhan listrik di setiap kelompok tarif. Yang dimaksud dengan kelompok tarif dalam penelitian ini adalah kelompok tarif sosial, kelompok tarif rumah tangga, kelompok tarif bisnis, kelompok tarif industri dan kelompok tarif pemerintah. Prediksi merupakan kebutuhan penting bagi penyedia tenaga listrik dalam mengambil keputusan berkaitan dengan ketersediaan energi listik. Dalam melakukan prediksi dapat dilakukan dengan metode statistik maupun kecerdasan buatan. ARIMA merupakan salah satu metode statistik yang banyak digunakan untuk prediksi dimana ARIMA mengikuti model autoregressive (AR) moving average (MA). Syarat dari ARIMA adalah data harus stasioner, data yang tidak stasioner harus distasionerkan dengan differencing. Selain metode statistik, prediksi juga dapat dilakukan dengan teknik kecerdasan buatan, dimana dalam penelitian ini jaringan syaraf tiruan backpropagation dipilih untuk melakukan prediksi. Dari hasil pengujian yang dilakukan selisih MSE ARIMA, JST dan penggabungan ARIMA, jaringan syaraf tiruan tidak berbeda secara signifikan. Kata Kunci— ARIMA, jaringan syaraf tiruan, kelompok tarif. AbstractBackground this research was made where the increasing demand for electricity in each group. The meaning this group is social, the household, business, industry groups and the government fare. Prediction is an important requirement for electricity providers in making decisions related to the availability of electric energy. In doing predictions can be made by statistical methods and artificial intelligence. ARIMA is a statistical method that is widely used to predict where the ARIMA modeled autoregressive (AR) moving average (MA). Terms of ARIMA is the data must be stationary, the data is not stationary should be stationary use differencing. In addition to the statistical method, predictions can also be done by artificial intelligence techniques, which in this study selected Backpropagation neural network to predict. From the results of tests made the difference in MSE ARIMA, ANN and merging ARIMA, artificial neural networks are not significantly different. Keyword—ARIMA, neural network, tarif groups

Optimasi Bobot Jaringan Syaraf Tiruan Mengunakan Particle Swarm Optimization Harry Ganda Nugraha; Azhari SN
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 8, No 1 (2014): January
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.3492

AbstrakMasalah peramalan adalah masalah yang sering ditemukan dalam proses pengambilan keputusan. Tool yang cukup populer untuk menangani masalah peramalan adalah jaringan syaraf tiruan. Jaringan syaraf tiruan banyak digunakan karena kemampuannya untuk meramalkan data nonlinear time series. Algoritma pembelajaran yang sering digunakan untuk memperbaiki bobot pada jaringan syaraf tiruan adalah backpropagation. Namun proses pembelajaran backpropagation terkadang menemui kendala seperti over fiting sehingga tidak dapat menggeneralisasi masalah. Untuk mengatasi masalah tersebut diusulkan penggunaan particle swarm optimization untuk melatih bobot pada jaringan. Performa dari masing-masing model akan diukur dengan mean square error, mean absolute percentage error, normalized mean square error, prediction of change in direction, average relative variance. Untuk keperluan analisis model digunakan data time series inflasi di indonesia. Metode yang diusulkan menunjukan sistem jaringan hybrid mampu menangani masalah peramalan data time series dengan performa mendekati jaringan syaraf tiruan backpropagation.. Kata kunci—jaringan syaraf tiruan, particle swarm optimization, prediction of change in direction, average relative variance . AbstractForecasting problem is common problem that easily found in decision making process. The popular tool to handle that problem is artificial neural network. Artificial neural network have been widely use because its ability to forecast nonlinear time series data. The learning method that have been widely use to train artificial neural network weight is backpropagation. Otherwise backpropagation learning process sometimes find problem such as over fiting so it can’t generalized the problem. Particle swarm optimization method had been proposed to train artificial neural network weigth. Mean square error, mean absolute percentage error, normalized mean square error, prediction of change in direction, average relative variance had been use to measures the model performance. Indonesia inflation time series data had been use to analyzed the model. The proposed method show that hybrid system could handle the time series forecasting problem as good as backpropagation artificial neural network Keywords—artificial neural network, particle swarm optimization, prediction of change in direction, average relative variance.

Metode RCE-Kmeans untuk Clustering Data Izmy Alwiah Musdar; Azhari SN
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 9, No 2 (2015): July
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.7544

AbstrakTelah banyak metode yang dikembangkan untuk memecahkan berbagai masalah clustering. Salah satunya menggunakan metode-metode dari bidang kecerdasan kelompok seperti Particle Swarm Optimization (PSO). Metode Rapid Centroid Estimation (RCE) merupakan salah satu metode clustering yang berbasis PSO. RCE, seperti varian PSO clustering lainnya, memiliki kelebihan yaitu hasil clustering tidak tergantung pada inisialisasi pusat cluster awal. RCE juga memiliki waktu komputasi yang jauh lebih cepat dibandingkan dengan metode sebelumnya yaitu Particle Swarm Clustering (PSC) dan modified Particle Swarm Clustering (mPSC), tetapi metode RCE memiliki standar deviasi kualitas skema clustering yang lebih tinggi dibandingkan PSC dan mPSC dimana ini berpengaruh terhadap variansi hasil clustering. Hal ini terjadi karena equilibrium state, yaitu kondisi dimana posisi partikel tidak mengalami perubahan lagi, kurang tepat pada saat kriteria berhenti tercapai. Penelitian ini mengusulkan metode RCE-Kmeans yaitu metode yang mengaplikasikan K-means setelah equilibrium state metode RCE tercapai untuk memperbarui posisi partikel yang dihasilkan dari metode RCE. Hasil penelitian menunjukkan bahwa dari sepuluh dataset, metode RCE-Kmeans memiliki nilai kualitas skema clustering yang lebih baik pada 7 dataset dibandingkan K-means dan lebih baik pada 8 dataset dibandingkan dengan metode RCE. Penggunaan K-means pada metode RCE juga mampu menurunkan nilai standar deviasi dari metode RCE. Kata kunci—Clustering Data, Particle Swarm, K-means, Rapid Centroid Estimation. Abstract There have been many methods developed to solve the clustering problem. One of them is method in swarm intelligence field such as Particle Swarm Optimization (PSO). Rapid Centroid Estimation (RCE) is a method of clustering based Particle Swarm Optimization. RCE, like other variants of PSO clustering, does not depend on initial cluster centers. Moreover, RCE has faster computational time than the previous method like PSC and mPSC. However, RCE has higher standar deviation value than PSC and mPSC in which has impact in the variance of clustering result. It is happaned because of improper equilibrium state, a condition in which the position of the particle does not change anymore, when the stopping criteria is reached. This study proposes RCE-Kmeans which is a method applying K-means after the equilibrium state of RCE reached to update the particle's position which is generated from the RCE method. The results showed that RCE-Kmeans has better quality of the clustering scheme in 7 of 10 datasets compared to K-means and better in 8 of 10 dataset then RCE method. The use of K-means clustering on the RCE method is also able to reduce the standard deviation from RCE method. Keywords—Data Clustering, Particle Swarm, K-means, Rapid Centroid Estimation.

Title

Found 4 Documents
Search

Abstract

Abstract

Abstract

Abstract

Title Search

Found 4 Documents Search

Abstract

Abstract

Abstract

Abstract

Title

Found 4 Documents
Search