Keterbatasan Model Implikasi Teoritis

Slim C. 2009. Hybrid Approach in Neural Network Design Applied to Financial Time Series Forecasting. J. American Academy of Business 15 1: 294-300. Suryana A, Hermanto. 2007. Prospek dan Arah Pengembangan Jagung. Jakarta: Badan Litbang Pertanian. Suryawijaya I. 2009. Rancang Bangun Sistem Intelijen untuk Enterprise Resource Planning ERP pada Industri Tepung Jagung [skripsi]. Bogor: Fakultas Teknologi Pertanian, Institut Pertanian Bogor. Wahyu, Afriyanti. 2009. Aplikasi Fuzzy Inference System Metode Tsukamoto pada Simulasi Traficc Light Menggunakan Java. Di dalam: Prosiding Seminar Nasional Aplikasi Teknologi Informasi. ISBN:1907-5022. Yogyakarta. Wang W, Zu Z, Lu JW. 2003. Three Improved Neural Network Models for Air Quality Forecasting. J. Engineering Computations 20 2: 192-210. Wisner JD et al. 2005. Principles of Supply Chain Management, a Balanced Approach. South-Western, Ohio: Thomson. Yan X, Luo J, Chen Z. 2010. Forecasting of the Demand of Alumina Based on the Coupling Phase-space Reconstruction and Neural Network. Int. J. Business and Management 5 6: 146-153. Zhang W, Cao Q, Schniederjans MJ. 2004. Neural Network Earnings per Share Forecasting Models: A Comparative Analysis of Alternative Methods. Int. J. Decision Sciences 35 2 : 205-237. Lampiran 1 Prediksi Produksi Jagung Jawa Tengah dengan Jaringan Syaraf Tiruan Data yang digunakan untuk memprediksi produksi jagung adalah data yang tercantum pada Tabel 9. Variabel input adalah luas panen ha dan curah hujan mmbulan. Sebagai variabel output adalah jumlah produksi jagung tonbulan Menu utama yang ditampilkan dalam program Hasil menjalankan program dengan MATLAB R2010a

1. Running program 1

Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 77; testing :2 ; forecasting : 2 MSE : 6,17 x 10 -23 Hasil peramalan: bulan 1 : 115546 ton bulan 2 : 115546 ton bulan 3 : 115546 ton bulan 4 : 115546 ton