5. Ulangi proses iterasi hingga nilai epoch
Max Epoch
dan E
p
batasan kesalahan
err
. 6.
Setelah melakukan
training
, dilakukan perhitungan kesalahan hasil prediksi dengan menggunakan MAPE
Mean Absolute Percentage Error
, berikut adalah formula yang digunakan:
dimana:
a
= data sebenarnya
b
= data prediksi
n
= banyak data
2.7 Penilitian Terdahulu
Penilitian terdahulu yang berkaitan dengan perancangan aplikasi dengan metode
adaptive neuro fuzzy inference system
ANFIS dapat dilihat pada tabel 2.2
Tabel 2.2 Penilitian Terdahulu
No PenelitiTahun
Judul Keterangan
1 Arfiansyah Rahman,
Ade Gafar
Abdullah, Dadang
Lukman Hakim
2012 Prakiraan
Beban Puncak
Jangka Panjang
Pada Sistem Kelistrikan
Indonesia Menggunakan
Algoritma Adaptive
Neuro- Fuzzy
Inference System
Tujuan utama dari proyek ini adalah memperkirakan beban
puncak pada akhir tahun 2025 dengan menggunakan
data masukan yang berupa faktor-faktor
utama yang
mempengaruhi kenaikan
beban listrik dari tahun 2000 sampai dengan tahun 2008.
Universitas Sumatera Utara
Tabel 2.2 Penilitian Terdahulu lanjutan
2 Fithriah
Musadar, Zahir
Zainuddin, Merna Baharuddin
Implementasi Algoritma
Untuk Prediksi
Curah Hujan Pada Sistem
Pendeteksian Dini Bencana Banjir
Tujuan dari penelitian ini yaitu
membangun sistem
prediksi curah hujan untuk mendukung
sistem pendeteksian dini bencana
banjir. Dari hasil penelitian tersebut,
ANFIS optimal
dapat menurunkan nilai error secara
signifikan dibandingkan metode lainnya
sehingga dapat digunakan sebagai
pendukung pengambilan keputusan pada
sistem pendeteksian
dini bencana banjir.
3 Umi Hani 2014
Prediksi Saham Syariah
Menggunakan Metode Adaptive
Neuro-Fuzzy Inference System
Pada penelitian ini digunakan metode Adaptive
Neuro-Fuzzy Inference System
ANF IS
untuk memprediksi indeks saham
syariah berdasarkan data- data saham sebelumnya.
ANF IS
berhasil diimplementasikan pada
suatu sistem prediksi saham syariah yakni pada saham
Jakarta Islamic Index JII. Rata-rata
er r or
hasil prediksi menggunakan ANFIS adalah
0.97583.
Universitas Sumatera Utara
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Bab ini secara garis besar membahas analisis teknikal menggunakan metode
Adaptive Neuro Fuzzy Inference System
pada sistem dan tahap-tahap yang akan dilakukan dalam perancangan sistem yang akan dibangun.
3.1. Identifikasi Masalah
Dalam beberapa dasawarsa belakangan ini, perhatian pada perhitungan laba rugi semakin dirasakan manfaatnya. Dengan adanya informasi mengenai pendapatan, maka
dapat membandingkan antara modal yang tertanam dengan penghasilan sebagai alat untuk mengukur kinerja efisiensi perusahaan dan dapat memprediksi distribusi
dividen di neraca yang akan datang. Pendapatan sebagai salah satu elemen penentuan laba rugi suatu perusahaan belum mempunyai pengertian yang seragam.
Pengertian pendapatan dikemukakan oleh Dyckman 2002 : 234 bahwa pendapatan adalah “arus masuk atau peningkatan lainnya atas aktiva sebuah entitas
atau penyelesaian kewajiban atau kombinasi dari keduanya selama satu periode dari pengiriman atau produksi barang, penyediaan jasa, atau aktivitas lain yang merupakan
operasi utama atau sentral entitas yang sedang berlangsung”.
Menurut Standar Akuntansi Keuangan 2004 : 23.1, kata “income diartikan sebagai penghasilan dan kata revenue sebagai pendapatan, penghasilan income
meliputi baik pendapatan revenue maupun keuntungan gain”. Pendapatan adalah penghasilan yang timbul dari aktivitas perusahaan yang dikenal dengan sebutan yang
Universitas Sumatera Utara
berbeda seperti penjualan, penghasilan jasa fees, bunga, dividen, royalti dan sewa.”
Definisi tersebut memberikan pengertian yang berbeda dimana income memberikan pengertian pendapatan yang lebih luas, income meliputi pendapatan yang berasal dari
kegiatan operasi normal perusahaan maupun yang berasal dari luar operasi normalnya. Sedangkan
revenue
merupakan penghasil dari penjualan produk, barang dagangan, jasa dan perolehan dari setiap transaksi yang terjadi.
3.2. Data yang Digunakan
