Soal Evaluasi Martikulasi ANALISA DAN DESAIN ALGORITMA

TUGAS MARTIKULASI

ANALISA DAN DESAIN ALGORITMA

 

Oleh :

                                           Muhammad Alfi Mahyuarsony(1411601881)

PROGRAM STUDI MAGISTER ILMU KOMPUTER (MKOM)

FAKULTAS PASCASARJANA

UNIVERSITAS BUDI LUHUR

                                            2015

Soal-1.

Titik A dan titik B dihubungkan hanya oleh sebuah jalan yang panjangnya = 1100 m. Ali berangkat dari titik A menuju titik B tepat jam 08:00:00 pagi dengan kecepatan tetap 10 m/detik. Sepuluh detik kemudian, yaitu pukul (08:00:10) Badu berangkat dari titik B menuju titik A dengan kecepatan awal 5 m/detik.  Tetapi 10 detik kemudian, kecepatannya naik 2m/detik menjadi 7m/detik. Demikian seterusnya, setiap 10 detik kecepatan Ali naik 2m/detik.

Susun algoritma untuk mencetak pukul berapa (Jam : Menit : Detik ) Ali dan Badu bertemu, berpapasan di jalan.

Bila Ali dan Badu berpapasan di titik C, cetak jarak Titik A dengan Titik C.

Soal-2.

Sebuah kebun besar ditanami pohon bibit sebanyak n baris. Setiap baris terdiri

dari n pohon, sehingga kebun besar ini dapat kita sebut ukurannya = n x n. Pohon-pohon tersebut kemudian dicabut dan ditanam ulang menjadi 13 buah kebun dengan ukuran lebih kecil yaitu setiap kebun kecil terdiri dari m baris dan setiap baris terdiri dari m pohon,sehingga kebun kecil ini kita sebut berukuran m x m.

Setelah terbentuk 13 kebun kecil ukuran m x m, ternyata pada kebun besar masih tersisa 1 pohon. Susun program untuk mencetak berapa jumlah pohon semula yang ada di kebun besar.

Soal-3.

Susun program (penggalan program) untuk menginputkan dua buah bilangan long integer yang berbeda, lebih besar dari nol, misal disimpan dalam varibel A dan B.

Kemudian cari dan cetak pembagi persekutuan terbesar kedua buah bilangan tersebut:

Contoh : Bila A=75 dan  B = 105 maka tercetak : 15

Keterangan : 75 dan 105 habis dibagi oleh : 1,3,5,15.

                    Yang terbesar adalah 15, ini yang dicetak.

        105 habis dibagi 35, tapi 75 tidak habis dibagi 35,

        Jadi 35 tidak termasuk dalam persekutuan pembagi habis

         75 habis dibagi 25, tapi 105 tidak habis dibagi 25,

                     Jadi 25 tidak termasuk dalam persekutuan pembagi habis

                                        ------- Selamat Belajar------

Optimasi Data Latih Menggunakan Algoritma Genetika untuk Peramalan Harga Emas Berbasis Generalized Regression Neural Network

TUGAS MARTIKULASI

TELEMATIKA

 

                                                                             Oleh :

                                   Muhammad Alfi Mahyuarsony(1411601881)

PROGRAM STUDI MAGISTER ILMU KOMPUTER (MKOM)

FAKULTAS PASCASARJANA

UNIVERSITAS BUDI LUHUR

                                                  2015

                                 Tugas Kelompok JURNAL Ulasan Makalah

Kelompok :

1.       Budiman

2.       Joko Susilo

3.       Sopian

4.       Warsudi

5.       Alfi

6.       Anam

7.       Surya

Judul Makalah : Optimasi Data Latih Menggunakan Algoritma Genetika untuk Peramalan Harga Emas Berbasis Generalized Regression Neural Network.

Penulis : Gita Indah Marthasari (Jurusan Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Malang) dan Arif Djunaidy (Jurusan Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopemnber).

Jurnal : Jurnal SISFO, Institut Teknologi Sepuluh Nopember. Volume 5, Nomor 1, Maret 2014, hlm. 62-69 (diunduh dari http://si.its.ac.id/data/sisfo_data/ pada tanggal 2 Februari 2015).

1.       Rumusan Permasalahan

Selain menggunakan metode tradisional (misal metode ARIMA atau metode Theta), Jaringan Saraf Tiruan banyak digunakan untuk melakukan peramalan.  Berbagai model Jaringan Saraf Tiruan dikembangkan untuk melakukan peramalan itu, model Radial Basis Function Neural Network (RBFNN), Generalized Regression (GRNN). Terkait dengan peramalan harga emas, beberapa penelitian menyimpulkan pendekatan Jaringan Saraf Tiruan dapat mengurangi resiko pada transaksi emas dan dapat menjadi alternatif pengganti model ARIMA.  Namun penggunaan RBFNN (jamak maupun tunggal) masih memiliki akurasi yang kurang dibandingkan dengan model ARIMA. Penelitian Theodosiou menggunakan GRNN dikombinasikan dengan mrtode Theta untuk peramalan runut waktu. Sebelum diramalkan, data runut waktu didekomposisi (dipecah, diklasifikasikan) terlebih dahulu menggunakan STL (Seasonal Trend Decomposition based on Loes) untuk memisahkan data tren dan data musiman (seasonal). Problem yang dihadapi dalam penggunaan GRNN untuk peramalan adalah ukuran GRNN akan bertambah seiring dengan bertambahnya data latih. Permasalahan yang ingin dipecahkan dalam penelitian ini adalah melakukan proses seleksi data latih terhadap GRNN, sehingga menghasilkan strutur jaringan yang lebih efisien dan peramalan harga emas yang lebih akurat. Dalam proses seleksi data latih ini GRNN akan diintegrasikan dengan algoritma genetika.

2.       Teori yang digunakan

Generalized Regression Neural Network (GRNN) adalah jaringan saraf tiruan yang didasarkan pada teori regresi non-linear. GRNN merupakan jaringan saraf tiruan yang digunakan untuk melakukan peramalan (forecasting). Topologi GRNN terdiri dari empat lapir, lapis masukan, lapis basis radial (atau lapis pattern), lapis penggabungan dan lapir keluaran. 

 Algoritma Genetika merupakan teknik pencarian nilai optimum secara stokastik berdasarkan prinsip dasar teori evolusi. Algoritma genetika melakukan proses pencarian nilai optimum pada beberapa titik secara bersamaan (dalam satu generasi). Iterasi selanjutnya dilakukan dengan pendekatan generasi ke generasi yang mengalamai evolusi dengan jumlah anggota/kromosom setiap generasi dipertahankan tetap. Algoritma genetika menggunakan hukum transisi probabilistic untuk memilih solusi (kromosom) yang terus dipertahankan hidup sesuai dengan ketentuan yang diinginkan (fitness function).

3.       Pemecahan Masalah

Dalam penelitian di atas, GRNN dikombinasikan dengan STL dan GA (Genetic Algorithm). Tahap-tahapannya adalah sbb:

1.       Tahap 1. Data harga emas harian dalam bentuk data runut waktu didekomposisi menggunakan metode STL. Hasil dekomposisi adalah komponen data siklus-tren, komponen data musiman dan komponen data residual (irregular).

2.       Tahap 2. Meramalkan ketiga komponen hasil dekomposisi. Komponen data musiman dan residual diprediksi menggunakan GRNN yang dikombinasikan dengan algoritma genetika (GA), sedang data tren diprediksi menggunakan metode theta (karena GRNN tidak sesuai untuk data tren). Langkah-langkah yang dilakukan :

-          Penyiapan data latih

-          Pengkodean kromosom

-          Evaluasi populasi

-          Seleksi, rekombinasi dan mutasi

3.       Tahap 3. Hasil peramalan ketiga komponen digabungkan dengan algoritma JST Propagasi Balik untuk memperolah nilai ramalan.

4.       Hasil dan Kesimpulan

Data emas yang digunakan sejumlah 2609, diambil dari 1 Januari 2003 s.d. 31 Desember 2012, nilai dalam dollar AS. Data 7 tahun awal digunakan sebagai data latih, data 3 tahun terakhir digunakan sebagai data uji. Hasil penelitian, tingkat peramalan menggunakan metode STL-GRNN-GA-Theta (metode theta digunakan untuk data tren) menghasilkan tingkat akurasi yang lebih baik disbanding dengan metode STL-GRNN-Theta dan ARIMA. Kombinasi dengan GA juga berhasil memperkecil ukuran jaringan sebesar 50% dari ukuran semula.

       

5.       Batasan

Penelitian dibatasi pada modifikasi metode peramalan berbasis STL-GRNN-Theta menjadi STL-GRNN-Theta berbasis algoritma genetika (STL-GRNN-GA-Theta). Penelitian tidak membandingkan topologi jaringan saraf tiruan lain yang dapat digunakan untuk melakukan proses peramalan, penelitian juga masih mengakomodasi metode peramalan tradisional (Theta) karena keterbatasan kemampuan GRNN yang hanya dapat digunakan untuk melakukan peramalan terkait data musiman dan residual.

6.       Tantangan

GA (Genetics Algoithm) yang digunakan untuk memilih data latih masih membutuhkan waktu lama dalam pengaturan parameter. Model jaringan saraf tiruan juga harus selalu dilatih setiap tahun untuk meramalkan data satu tahun ke depan. Perlu diimplementasikan proses belajar berkelanjutan bagi model ini. Penelitian juga terbatas dalam proses menggunakan potongan-potongan program yang terpisah, belum terintegrasi dalam satu user interface. Penyediaan user-interface yang terintegrasi akan memudahkan penerapan berbagai skenario peramalan.