Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKIndeks harga saham merupakan indikator yang menggambarkan pergerakan harga sekelompok saham. Salah satu indeks harga saham yang terdapat di Indonesia adalah IHSG Indeks Harga Saham Gabungan . Terdapat banyak manfaat dari mengikuti pergerakan IHSG, salah satunya untuk meminimalisir kerugian dari berinvestasi dalam pasar saham. Oleh karena itu, akan dilakukan prediksi nilai IHSG. Metode yang akan digunakan adalah ANFIS Adaptive Neuro-Fuzzy Inference System dan SVR Support Vector Regression yang merupakan pengembangan dari metode ANN Artificial Neural Network . Selanjutnya performa keduanya akan dibandingkan. Hasil percobaan menghasilkan SVR sedikit lebih baik dari segi keakuratan dibandingkan ANFIS. Nilai keakuratan dari SVR yaitu 78,35 , 97,93 , dan 98,96 sedangkan keakuratan ANFIS yaitu 77,31 , 96,90 , dan 98,80 masing-masing untuk hasil prediksi yang nilai eror relatifnya di bawah 1 , 2 , dan 3 . Maksimum keakuratan dan running time pada ANFIS bergantung banyaknya hari yang digunakan untuk prediksi. Semakin banyak hari yang digunakan untuk prediksi, maka nilai keakuratannya semakin rendah dan running time semakin lama. Sedangkan maksimum keakuratan dan running time pada SVR tak bergantung pada banyaknya hari yang digunakan untuk prediksi. Dalam skripsi ini disajikan pula hasil sampingan berupa clustering berdasarkan eror relatif hasil prediksi menggunakan FKCM Fuzzy Kernel C-Means . Tujuan dari clustering ini yaitu mengecek apakah hasil prediksi yang dihasilkan ANFIS dan SVR kurang dari suatu nilai eror relatif yang ditetapkan.

---

ABSTRACTStock index reflects the price movement a group of stock. There are many stock indices in the world. JKSE Jakarta Composite Index is one of stock index in Indonesia. There are many benefits in following JKSE value, one of them to minimize the loss in stock investment. Therefore, JKSE value will be predicted. The method used are ANFIS Adaptive Neuro Fuzzy Inference System and SVR Support Vector Regression which are development of ANN Artificial Neural Network method. The performance of these two method will be compared. The experiment result gives that SVR is slightly better in terms of accuracy than ANFIS. The accuracy values of SVR are 78,35 , 97,93 , dan 98,96 while the accuracy of ANFIS are 77,31 , 96,90 , dan 98,80 each for a predicted result whose relative eror value is below 1 , 2 , dan 3 . The maximum accuracy and running time on ANFIS depend on how many days are used for prediction. The more days used for prediction will give the lower accuracy and longer running time. While the maximum accuracy and running time on SVR does not depend on the number of days used for prediction. In this thesis, presented also clustering based on relative error from the predicted result using FKCM Fuzzy Kernel C Means . The purpose of this clustering is to check whether the prediction result by ANFIS and SVR is less than a relative error value set."

"

Demam Berdarah Dengue (DBD) merupakan penyakit yang banyak ditemukan di sebagian besar wilayah tropis dan subtropis. DBD merupakan penyakit infeksi yang disebabkan oleh virus dengue yang termasuk ke dalam family flaviviridae dan genus flavivirus yang ditularkan ke manusia melalui gigitan nyamuk Aedes aegypti dan Aedes albopicus dengan masa inkubasi intrinsik 3 sampai 14 hari, dan inkubasi ekstrinsik 8 sampai 10 hari. Dalam 3 tahun terakhir, jumlah penderita DBD di DKI Jakarta menduduki jumlah tertinggi yang mencapai 813 jiwa pada tahun 2019. Pada tugas akhir ini, dibahas pembuatan model Adaptive Neuro-Fuzzy Inference System (ANFIS) untuk memprediksi jumlah insiden DBD di DKI Jakarta menggunakan data jumlah insiden DBD pada setiap wilayah di DKI Jakarta tahun 2009 sampai 2017. Hasil simulasi dari model Adaptive Neuro-Fuzzy Inference System dibandingkan dengan hasil model Artificial Neural Network (ANN) dan Ensemble ANN-ANFIS yang dievaluasi berdasarkan Root Mean Squared Error dan Mean Absolute Error. Pada tugas akhir ini, Adaptive Neuro-Fuzzy Inference System memiliki performa lebih baik dibandingkan Artificial Neural Network dan Ensemble ANN-ANFIS hampir seluruh daerah di DKI Jakarta.

---

Dengue Hemorrhagic Fever (DHF) is a disease that is found in most tropical and subtropical regions. DHF is a disease caused by dengue virus which belongs to the flaviviridae family and genus flavivirus which is transmitted to humans through the bite of Aedes aegypti and Aedes albopicus mosquitoes with an intrinsic incubation period of 3 to14 days, and extrinsic incubation period of 8 to 10 days. In the last 3 years, the number of DHF sufferers in DKI occupied the highest number, which reached 813 people in 2019. In this final project, we will discuss making an Adaptive Neuro-Fuzzy Inference System (ANFIS) model to predict the number of DHF reporting in DKI Jakarta using data on the number of DHF reporting in each region in DKI Jakarta from 2009 to 2017. Simulation result from the Adaptive Neuro-Fuzzy Inference System model are compared with the results of the Artificial Neural Network (ANN) model and the Ensemble ANN-ANFIS model, evaluated based on Root Mean Squared Error and Mean Absolute Error. In this final project, the Adaptive Neuro-Fuzzy Inference System has better performance than the Artificial Neural Network and Ensemble ANN-ANFIS in all regions in DKI Jakarta.

"

"Banjir di Jakarta merupakan masalah yang kompleks yang dipengaruhi oleh kombinasi faktor geografis, sosial, ekonomi, dan lingkungan. Studi ini berfokus pada prediksi banjir dengan membandingkan data stasiun darat Automatic Rain Gauge (ARG) dan data satelit Climate Hazards Group InfraRed Precipitation (CHIRPS) menggunakan Adaptive Neurofuzzy Inference System (ANFIS) yang terintegrasi dengan Principal Component Analysis (PCA). Dataset mencakup pengukuran curah hujan dari ARG dan CHIRPS, serta data ketinggian air dari tahun 2014 hingga 2020. ARG menyediakan data curah hujan lokal yang akurat, sementara CHIRPS menawarkan cakupan curah hujan regional yang luas. Teknik praproses seperti imputasi rata-rata, normalisasi data, dan metode interquartile range (IQR) digunakan untuk meningkatkan kualitas data. Model ANFIS-PCA, yang mengintegrasikan logika fuzzy dan pelatihan jaringan saraf tiruan, diterapkan dengan pembagian data 80:20 untuk pelatihan dan validasi. Ketika dilatih dengan data stasiun darat ARG dan pengukuran ketinggian air, model ANFIS-PCA menunjukkan akurasi yang superior, dengan root mean square error (RMSE) sebesar 0,13, mean absolute error (MAE) sebesar 0,12, dan R² sebesar 0,82. Sebaliknya, model ANFIS tanpa PCA menghasilkan kesalahan yang lebih tinggi, dengan RMSE 6,3, MAE 6,2, dan R² 0,74. Pelatihan dengan data satelit CHIRPS menghasilkan kesalahan yang jauh lebih tinggi (RMSE 30,14, MAE 24,05, R² 0,42). Sedangkan hasil ANFIS – PCA menghasilkan akurasi yang lebih bagus (RMSE 4,8, MAE 2,0 dan R² 0,55) . Hasil penelitian menunjukkan bahwa ANFIS-PCA memiliki kinerja yang lebih baik dibandingkan model ANFIS tanpa PCA, terutama ketika dilatih dengan data dari stasiun darat. Integrasi PCA berhasil mengurangi dimensi data, meningkatkan efisiensi komputasi dan akurasi model. Selain itu hasil ini juga menegaskan keunggulan pengukuran curah hujan data ground station untuk prediksi banjir, mempunyai angka presisi yang lebih tinggi dan kerentanan yang lebih rendah terhadap kesalahan dibandingkan data satelit. Sementara itu data satelit CHIRPS menawarkan cakupan spasial yang lebih luas.

---

Flooding in Jakarta is a complex issue influenced by a combination of geographical, social, economic, and environmental factors. This study focuses on flood prediction by comparing ground station data from Automatic Rain Gauges (ARG) and satellite data from the Climate Hazards Group InfraRed Precipitation (CHIRPS) using the Adaptive Neuro-Fuzzy Inference System (ANFIS) integrated with Principal Component Analysis (PCA). The dataset includes rainfall measurements from ARG and CHIRPS, as well as water level data from 2014 to 2020. ARG provides accurate local rainfall data, while CHIRPS offers broad regional precipitation coverage. Preprocessing techniques such as mean imputation, data normalization, and the interquartile range (IQR) method were employed to enhance data quality.

The ANFIS-PCA model, which integrates fuzzy logic and neural network training, was implemented using an 80:20 data split for training and validation. When trained with ARG ground station data and water level measurements, the ANFIS-PCA model demonstrated superior accuracy, achieving a root mean square error (RMSE) of 0.13, mean absolute error (MAE) of 0.12, and R² of 0.82. In contrast, the ANFIS model without PCA yielded higher errors, with RMSE of 6.3, MAE of 6.2, and R² of 0.74. Training with CHIRPS satellite data resulted in significantly higher errors (RMSE 30.14, MAE 24.05, R² 0.42). Meanwhile, the ANFIS-PCA model trained on combined datasets showed improved performance, achieving RMSE of 4.8, MAE of 2.0, and R² of 0.55.

The results indicate that the ANFIS-PCA model outperforms the ANFIS model without PCA, particularly when trained with ground station data. The integration of PCA successfully reduced data dimensionality, improving computational efficiency and model accuracy. Furthermore, the findings reaffirm the superiority of ground-based measurements for flood prediction due to their higher precision and lower susceptibility to errors compared to satellite-derived data, while CHIRPS satellite data offers wider spatial coverage."

"Pada paper ini mendiskusikan pengembangan modul perangkat lunak pemeriksaan kinerja tingkat kesehatan perusahaan dengan menggunakan teknik neuro-fuzzy. Modul pemeriksaan meliputi tahap operasional dan keuangan. Modul perangkat lunak tersebutdikenal dengan sistem intelijen penilaian kinerja perusahaan (SIPKP). SIPKP dapat digunakan sebagai media konsultasi. Keluaran dari SIPKP meliputi identitas perusahaan, prestasi penilaian kinerja, struktur ANFIS (adaptive, neuro-fuzzy inference system), fungsi keanggotaan, rule dan saran terapo. Teknik neuro-fuzzy menerapkan teknik fuzzy inherence system (FIS) dan algoritma dari jaringan saraf tiruan (JST). FIS berfungsi untuk menggambarkan pemetaan input ke output dengan logika fuzzy. Algoritma pembelajaran jaringan saraf tiruan digunakan untuk mengoptimalkan nilai parameter keanggotaan dalam FIS sedangkan proses terapi atau analisa hasil pemeriksaan menggunakan metode rule base atau aturan if then."

"

Banjir merupakan bencana alam yang sering terjadi di Indonesia, menimbulkan kerusakan dan mengakibatkan kerugian ekonomi. Hingga saat ini pun, ibukota negara, Jakarta, tak lepas dari banjir akibat luapan dari Sungai Ciliwung. Untuk itu, diperlukan langkah preventif seperti peringatan dini banjir untuk mengurangi kerugian akibat banjir. Namun, sistem peringatan dini banjir yang saat ini dimiliki oleh Balai Besar Wilayah Sungai Ciliwung-Cisadane masih memiliki beberapa kekurangan, seperti model hidrologi yang tidak cocok untuk prediksi jangka pendek dan akurasinya yang belum optimal dan waktu yang belum efisien untuk tahap simulasi berikutnya. Untuk mengatasi kekurangan tersebut, pendekatan machine learning dikembangkan untuk mendapatkan model prediksi tinggi muka air dengan tingkat galat yang rendah dan waktu komputasi yang efisien. Model prediksi banjir diwakilkan oleh tinggi muka air berdasarkan limpasan air hujan dan limpasan dari aliran air ruas hulunya melalui 4 ruas Sungai Ciliwung. Dilakukan perbandingan dua metode berbasis neural network, yaitu Adaptive Neuro-Fuzzy Inference System (ANFIS) dan Recurrent Neural Network-Long Short Term Memory (RNN-LSTM). Model yang unggul secara umum adalah RNN-LSTM dengan tingkat galat yang lebih rendah dan waktu komputasi yang lebih cepat. Pada RMSE dan MAPE, RNN-LSTM unggul pada 3 dari 4 ruas. Waktu komputasi RNN-LSTM selalu lebih cepat dibandingkan dengan ANFIS. Sedangkan dilihat dari R², baik ANFIS maupun RNN-LSTM memiliki kemampuan yang cukup baik kecuali untuk RNN-LSTM pada ruas ketiga. Sehingga secara keseluruhan RNN-LSTM lebih unggul dalam memprediksi tinggi muka air Sungai Ciliwung dilihat dari tingkat galatnya yang lebih rendah dan efisiensi waktunya. RNN-LSTM juga lebih unggul dalam memprediksi tinggi muka air yang fluktuasi dan standar deviasinya lebih besar.

---

Floods are natural disasters that often occur in Indonesia, causing damage and economic losses. Until now, the nation's capital, Jakarta, has not been free from flooding due to the overflow of the Ciliwung River. Therefore, preventive action like early warning of floods is needed, to reduce losses due to flooding. However, the flood early warning system currently done by the Ciliwung-Cisadane River Center still has several drawbacks, such as hydrological models that are not suitable for short-term predictions in which resulting their accuracy is not optimal and efficient computing time is needed. To overcome these deficiencies, a machine learning approach is developed to obtain a water level prediction model with a low error and efficient computing time. The model is predicting water level based on rainwater and upstream segment of the river runoff through the 4 segments of the river. Two neural network-based methods, Adaptive Neuro-Fuzzy Inference System (ANFIS) and Recurrent Neural Network-Long Short Term Memory (RNN-LSTM) are compared. Generally, the RNN-LSTM outperformed with a lower error rate and faster computation time. On the RMSE and MAPE, RNN-LSTM excels on 3 out of 4 segments. Based on computing time, RNN-LSTM is always faster than ANFIS. Meanwhile, seen from the R², both ANFIS and RNN-LSTM have decent capabilities except for RNN-LSTM on the third segment. Hence, the RNN-LSTM is superior in predicting the water level of the river based on its lower error and time efficiency. RNN-LSTM is also superior in predicting water level fluctuations with a larger standard deviation.

"