IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK PREDIKSI NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA DENGAN ALGORITMA BACKPROPAGATION - UTY Open Access

  

NASKAH PUBLIKASI

PROYEK TUGAS AKHIR

  

IMPLEMENTASI JARINGAN SYARAF TIRUAN

UNTUK PREDIKSI NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA

DENGAN ALGORITMA BACKPROPAGATION

Program Studi Informatika

Fakultas Teknologi Informasi dan Elektro

  

Disusun Oleh;

Wahyu Aji Prabowo

5130144394

  

PROGRAM STUDI INFORMATIKA

FAKULTAS TEKNOLOGI INFORMASI DAN ELEKTRO

UNIVERSITAS TEKNOLOGI YOGYAKARTA

2018

  

Implementasi Jaringan Syaraf Tiruan Untuk Prediksi Nilai Tukar Rupiah

Terhadap Dollar Amerika Dengan Algoritma Backpropagation

Wahyu Aji Prabowo

  

Porgram Studi Informatika, Fakultas Teknologi Informasi dan Elektro

Universitas Teknologi Yogykarta

Jl. Ringroad Utara Jombor Sleman Yogyakarta

E-mail : wahyuajiprabowo3003@gmail.com

  

ABSTRAK

Perdangan valas merupakan salah satu bentuk investasi yang sekarang banyak diminati oleh para investor. Seperti

perdangan valas mata uang Rupiah dengan mata uang Dolla Amerika. Akan tetapi fluktuasi yang tinggi

mengakibatkan kekhawatiran bagi para pedagang valas dan masyarakat umum terhadap perubahan harga tersebut.

Oleh karena itu, tujuan penelitian ini adalah dapat membangun sebuah sistem yang mampu memprediksi nilai tukar

Rupiah terhadap Dollar Amerika dengan menggunakan algoritma backpropagation. Dalam proses implementasi

program pada penelitian ini diperoleh akurasi dengan menggunakan data uji baru sebesar 99.85% dengan Mean

Average Percentage Error (MAPE) 0.15%. Parameter yang digunakan untuk memperoleh akurasi tersebut

menggunakan Iterasi (epoch) 137000, hidden layer 11, learning rate 0.5 dan target error 0.00001.

  Kata kunci : Prediksi, Nilai Tukar Rupiah, Backpropagation, Mean Absolute Percentage Error (MAPE)

1. PENDAHULUAN

1.1. Latar Belakang

  Menurut Adiningsih, dkk (1998:155), nilai tukar rupiah adalah harga rupiah terhadap mata uang negara lain. Jadi, nilai tukar rupiah merupakan nilai mata uang rupiah yang ditranslasikan ke dalam mata uang negara lain. Misalnya nilai tukar rupiah terhadap dolar Amerika, nilai tukar rupiah terhadap euro dan sebagainya. Perdagangan valas pada awal mulanya dilakukan secara konvensional yaitu dengan menukarkan suatu mata uang dengan mata uang negara lain secara fisik. Namun seiring berkembangnya teknologi transaksi dapat dilakukan secara online melalui aplikasi yang disediakan untuk melakukan

  trading. Pada umumnya pasangan Rupiah yang

  digunakan dalam perdagangan valas adalah mata uang yang dominan. Mata uang yang dominan dipilih karena mata uang tersebut merupakan mata uang yang sering digunakan sebagai alat pembayaran dalam transaksi internasional, contohnya adalah mata uang Dollar Amerika (USD). Berdasarkan data nilai tukar rupiah dari Bank Indonesia dari tahun 2013 sampai dengan 2017, nilai tukar rupiah terhadap dollar amerika mengalami fluktuasi namun cenderung melemah. Hal ini mengakibatkan kekhawatiran bagi pihak-pihak yang berkepentingan khusunya bagi para pedagang valas untuk mencari waktu yang tepat melakukan proses penukaran uang. Oleh karena itu diperlukan sebuah sistem yang mampu memprediksi nilai tukar mata uang tersebut pada hari berikutnya.

  Jaringan syaraf tiruan merupakan salah satu metode yang dapat digunakan untuk memprediksi nilai tukar suatu mata uang. Hal ini dikarenakan di dalam jaringan syaraf tiruan terdapat proses pelatihan (training) dimana sistem akan mempelajari pola data yang telah dimasukkan ke dalam sistem sehingga nantinya akan mampu menghasilkan akurasi ketika dilakukan proses pengujian (testing).Backpropagation merupakan sebuah metode sistematik pada jaringan syaraf tiruan dengan menggunakan algoritma pembelajaran yang terawasi dan biasanya dipakai oleh perceptron dengan banyak layar lapisan untuk mengubah bobot-bobot yang ada pada lapisan tersembunyinya. Backpropagation merupakan jenis pelatihan terkontrol dimana menggunakan pola penyesuaian bobot untuk mencapai nilai kesalahan yang minimum antara keluaran hasil prediksi dan keluaran nyata (F.Suhandi,2009).Berdasarkan permasalahan di atas, penulis mencoba memberikan sebuah solusi dengan melakukan penelitian yang mengambil judul “Implementasi Jaringan Syaraf Tiruan Untuk Prediksi Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Dengan Algoritma

  Backpropagation”. Diharapkan dengan adanya sistem

  ini dapat membnatu bagi pihak-pihak yang berkepentingan dalam memprediksi nilai tukar mata uang tersebut pada hari berikutnya.

  Tujuan dari penelitian ini adalah mampu menghasilkan sebuah sistem yang mampu memprediksi nilai tukar rupiah terhadap dollar amerika dengan akurasi yang tinggi, sehingga dapat membantu bagi orang-orang yang berkepentingan khusunya para pedagang valas dan masyarakat umum yang ingin mengetahui nilai tukar rupiah dimasa mendatang.

  3.1. Pengumpulan Data

1.2 Tujuan

  2. Wawancara Proses pencarian data nilai tukar rupiah terhadap dollar dengan cara memberikan pertanyaan secara langsung terhadap Bapak Dadang Purwanta, SE., M.M., selaku dewan komisaris PT BPR Nusantara Artha Makmur untuk mendapatkan data nilai tukar Rupiah terhadap Dollar Amerika.

  1. Observasi Melakukan proses pengamatan terhadap nilai tukar Rupiah terhadap Dollar Amerika yang terdapat pada situs-situs web yang menyediakan info tersebut maupun melalu media pemberitaan.

  Terdapat beberapa teknik yang digunakan oleh penulis dalam mengumpulkan data nilai tukar rupiah terhadap dollar Amerika, yaitu:

  3. METODOLOGI PENELITIAN

2. LANDASAN TEORI

  Algoritma pelatihan jaringan saraf perambatan galat mundur terdiri atas dua langkah, yaitu perambatan maju dan perambatan mundur. Langkah perambatan maju dan perambatan mundur ini dilakukan pada jaringan untuk setiap pola yang diberikan selama jaringan mengalami pelatihan.

  Menurut Hermawan, A., (2006), jaringan perambatan galat mundur (backpropagation) merupakan salah satu algoritma yang sering digunakan dalam menyelesaikan masalah-masalah yang rumit. Hal ini dimungkinkan karena jaringan dengan algoritma ini dilatih dengan menggunakan metode belajar terbimbing. Pada jaringan diberikan sepasang pola yang terdiri atas pola masukan dan pola yang diinginkan. Ketika suatu pola diberikan kepada jaringan, bobot-bobot diubah untuk memperkecil perbedaan pola keluaran dan pola yang diinginkan. Latihan ini dilakukan berulang-ulang sehingga semua pola yang dikeluarkan jaringan dapat memenuhi pola yang diinginkan.

  2.2. Jaringan Syaraf Tiruan

  2.1. Nilai Tukar Rupiah

  4. HASIL DAN PEMBAHASAN

  4.1. Perancangan Sistem

  Sistem yang dibuat berbentuk program berbasis

  dekstop dengan menggunakan Delphi 7 sebagai bahasa

  pemrogramannya. Sistem ini dirancang untuk memprediksi data nilai tukar rupiah pada masa mendatang, sehingga dapat membantu bagi para pedagang valas dan masayarakat umum dalam mengambil keputusan kapan untuk membeli atau menjual mata uang Rupiah terhadap Dollar Amerika.

  Untuk dapat menghasilkan prediksi nilai tukar rupiah dimasa mendatang dengan menggunakan algoritma backpropagation, terlebih dahulu harus menentukan parameter yang akan digunakan dalam mendukung proses prediksi nilai tukar Rupiah terhadap Dollar Amerika dengan algoritma

  Backpropagation. Parameter yang telah ditentukan

  kemudian diolah dan di proses dengan menggunakan algoritma Backpropagation untuk mendapatkan hasil prediksi nilai tukar Rupiah terhadap Dollar Amerika dengan akurasi yang tinggi, sehingga dapat membantu bagi para pedagang valas dan masyarakat umum dalam mengambil keputusan. Perancangan sistem yang dibangun akan digambarkan menggunakan beberapa pemodelan yaitu Flowchart dan Diagram Alir Data (DAD).

  Menurut Triyono (2008), nilai tukar rupiah adalah perbandingan nilai atau harga mata uang rupiah terhadap mata uang negara lain. Nilai tukar biasanya berubah-ubah, perubahan nilai tukar dapat berupa depresiasai atau apresiasi. Depresiasi mata uang rupiah terhadap Dollar Amerika Serikat artinya penurunan harga Dollar Amerika Serikat terhadap rupiah. Apresiasi rupiah terhadap Dollar Amerika Serikat adalah kenaikan rupiah terhadapa Dollar Amerika Serikat. Apresiasi mata uang suatu negara membuat harga barang-barang domestik menjadi mahal bagi pihak luar negeri.

  3. Dokumen atau Literatur Proses pengumpulan data ini dilakukan oleh penulis dengan cara mengumpulkan referensi jurnal, proposal peneliti terdahulu, dan buku-buku yang berhubungan dengan penelitian yang dilakukan penulis.

1. Flowchart

  _Mulai Pada flowchart ini digambarkan alur pada saat proses pelatihan program dimana program akan _{Load Data uji} melakukan proses pembelajaran (training) terlebih dahulu untuk mendapatkan bobot yang optimal. Bobot tersebut nantinya akan digunakan pada saat _{Normalisasi Data x’ = x/Max} proses pengujian sistem. _{Load Data Latih Mulai Penjumlahan Bobot pada unit tersembunyi Umpan Maju (FeedForward) Gunakan bobot terbaik pada pelatihan Input Paramater Learning Rate, MaxEpoch,Target Normalisasi Data x’= x/Max Penjumlahan bobot pada unit keluaran} Fungsi aktivasi yang digunakan _{Fungsi aktivasi yang digunakan Denormalisasi Data x’ = x*Max Penjumlahan Bobot pada unit tersembunyi Fungsi aktivasi yang digunakan Umpan Maju (FeedForward) bobot awal dan bias Inisialisasi Arsitektur MLP,} Error _{Apakah Hasil Akurasi Hitung MSE Tidak Penjumlahan bobot pada unit keluaran Fungsi aktivasi yang digunakan Denormalisasi Data x’= x*Max Hasil Akurasi Pengujian} Pengujian Baik ? _Ya Perambatan Balik Galat (Backpropagation) _{Penjumlahan delta lapisan tersembunyi Gambar 2 Flowchart pengujian Hitung koreksi bobot dan prasikapnya Menghitung galat tiap unit keluaran Hitung MSE Selesai Hitung galat informasinya} Apakah Hasil Akurasi _{Pelatihan Baik ? Tidak Hitung Koreksi Bobot dan prasikapnya Ya}

  2. Diagram Alir Data (DAD) _{Memperbaharui bobot unit keluaran dan prasikapnya Diagram konteks merupakan gambaran Simpan bobot terbaik}

  a. Diagram Konteks _{Memperbaharui bobot unit tersembunyi dan prasikapnya} umum dari program prediksi nilai tukar Rupiah _Selesai terhadap Dollar Amerika. _{Grafik Prediksi Hasil Prediksi Nilai Tukar Rupiah Hasil Prediksi MSE}

   Gambar 1 Flowchart Pelatihan Aplikasi Prediksi Nilai

  Pada flowchart selanjutnya adalah fowchart pada

  Tukar Rupiah Terhadap

  saat peroses pengujian sistem. Pada saat proses

  Admin Dollar Amerika Dengan Pengguna Algoritma

  pengujian sistem, bobot optimal yang didapatkan pada

  Backpropagation

  proses pelatihan sebelumnya akan digunakan proses ini. Proses pengujian berfungsi untuk dapat _{Input MaxEpoch} mengetahui seberapa besar akurasi yang diperoleh _{Input Parameter JST Data Nilai Tukar Rupiah Hidden Layer} dengan menggunakan bobot optimal pada saat proses pelatihan sebelumnya. Apabila hasil akurasi yang Gambar 3 Diagram konteks didapatkan tinggi pada saat proses pengujian maka bobot tersebut dapat digunakan untuk melakukan

  b. DAD Level 1 Pada diagram level 1 menggambarkan 4 proses prediksi nilai tukar Rupiah terhadap Dollar proses yang terdapat didalam sistem. Terdapat

  Amerika. Flowchart proses pengujian dapat dilihat proses login, home master dan laporan. Diagram pada Gambar 2.

  Alir Data Level 1 merupakan diagram yang lebih

  _{Admin Info Data Penguna tb_pengguna Info Data Pengguna Data Pengguna} Info Data Pengguna _{Data pengguna Login 1. Info Petunjuk Petunjuk Info Petunjuk Info Tentang Tentang Home 2. Info Bobot b2} Info Hasil Pengujiaan _{Info bobot b1 Hasil Pengujian tb_hasiluji Bobot b2 tb_b2 Bobot b1 tb_b1} Info Tentang _{Info bobot w1 tb_w1 Pengujian Pelatihan Prediksi tb_datarupiah Pengujian Data Rupiah Pelatihan Prediksi Master Info Data Rupiah 3. Bobot w1} Gambar 6 Implementasi proses pengujian _{Info bobot w2 Bobot w2 tb_w2}

  3. Prediksi _{Pengguna Data Nilai Tukar Rupiah Info Prediksi Nilai Tukar Rupiah Info Hasil Pelatihan} Pada form prediksi pengguna dapat melakukan _{Hasil Pelatihan tb_hasil} proses prediksi setelah memilih tanggal berapa yang dipilih untuk dilakukan proses prediksi. Setalah _{4. Data Hasil Prediksi tb_prediksi} proses dilakukan, kemudian menghasilkan hasil _{Laporan Data Prediksi Laporan} prediksi, batas atas prediksi dan batas bawah prediksi

   Gambar 4 Diagram Alir Data Level 1

4.2 Implementasi

  1. Pelatihan

   Gambar 7 Implementasi proses prediksi

  4. Hasil Pengujian Data Berikut adalah hasil pengujian yang dilakukan terhadap data uji baru. Pada proses pengujian data uji baru data nila tukar rupiah yang digunakan adalah pada periode bulan januari 2014-februari 2014. Hasil

   Gambar 5 Implementasi proses pelatihan pengujian data uji baru dapat dilihat pada Tabel 1.

  Pada gambar 5 merupakan implementasi proses

   Tabel 1 Hasil Pengujian Data

  pelatihan kedalam sistem, didalam form pelatihan terdapat parameter epoch, hidden layer, learning rate, dan target error. Kemudian setelah parameter sudah

  No Tanggal Harga Hasil Uji Error (%) Hasil

  dimasukan selanjutnya parameter dan data akan

  1 2017-01-11 13327 13326 0.015007 Benar

  diproses dengan menggunakan algoritma backpropagation.

  2 2017-01-12 13288 13354 0.496688 Salah 3 2017-01-13 13308 13309 0.007514 Benar

  2. Pengujian

  4 2017-01-16 13354 13320 0.247116 Benar

  Proses pengujian merupakan proses pengujian sistem dengan menggunakan bobot optimal yang

  5 2017-01-17 13381 13367 0.097152 Benar

  didapatkan sebelumnya pada proses pelatihan. Bobot

  6 2017-01-18 13328 13385 0.435174 Salah

  optimal tersebut digunakan untuk mengetahui apakah

  7 2017-01-19 13376 13349 0.201854 Benar

  bobot tersebut dapat menghasilkan akurasi yang tinggi atau belum. Apabila bobot tersebut menghasilkan

  8 2017-01-20 13382 13391 0.067254 Benar

  akurasi yang tinggi, maka bobot tersebut dapat

  9 2017-01-23 13372 13385 0.097218 Benar

  digunakan untuk memprediksi nilai tukar Rupiah

  10 2017-01-24 13330 13378 0.360090 Benar

  terhadap Dollar Amerika. Implementasi prose pengujian dapat dilihat pada Gambar 6.

   Tabel 1 Lanjutan

  Berikut ini adalah hasil prediksi nilai tukar rupiah terhadap dollar amerika yang dilakukan pada periode bulan Mei 2017-Juni 2017. Dengan Mean Average

  Percentage Error (MAPE) sebesar 0.40 % diperoleh

  hasil prediksi, batas atas dan batas bawah seperti pada Tabel 2.

   Tabel 2 Hasil Prediksi Tabel 2 Lanjutan

  5. PENUTUP

  5.1. Kesimpulan

  Berdasarkan hasil penelitan dan hasil program yang dilakukan oleh penulis, sistem prediksi Nilai Tukar Rupiah Terhadap Dollar Amerika dengan menggunakan Algoritma Backpropagation dapat diimplementasikan menjadi program yang mampu menghasilkan akurasi prediksi dengan tingkat akurasi yang tinggi. Akurasi yang didapatkan dari program ini dengan menggunakan data uji baru sebanyak 35 data adalah sebesar 99.85%. Iterasi (epoch) yang diperoleh sehingga dapat menghasilkan bobot optimal dan akurasi seperti diatas adalah 137000 iterasi (epoch) dengan hiden layer 11, learning rate 0.5 dan target

  error 0.00001. Sehingga sistem ini mampu No Tanggal Harga Hasil Uji Error (%) Hasil 11 2017-01-25 13340 13354 0.112443 Benar 12 2017-01-26 13325 13352 0.202626 Benar 13 2017-01-27 13359 13337 0.172168 Benar 14 2017-01-30 13335 13369 0.254968 Benar 15 2017-01-31 13343 13351 0.067451 Benar 16 2017-02-01 13349 13358 0.067420 Benar 17 2017-02-02 13374 13364 0.082249 Benar 18 2017-02-03 13362 13380 0.127226 Benar 19 2017-02-06 13329 13375 0.345112 Benar 20 2017-02-07 13322 13347 0.187659 Benar 21 2017-02-08 13337 13340 0.029991 Benar 22 2017-02-09 13308 13347 0.293056 Benar 23 2017-02-10 13318 13323 0.037543 Benar 24 2017-02-13 13330 13339 0.060015 Benar 25 2017-02-14 13330 13345 0.112528 Benar 26 2017-02-16 13329 13343 0.105034 Benar 27 2017-02-17 13328 13348 0.157563 Benar 28 2017-02-20 13352 13344 0.059916 Benar 29 2017-02-21 13370 13363 0.052356 Benar 30 2017-02-22 13356 13379 0.172207 Benar 31 2017-02-23 13360 13369 0.074850 Benar 32 2017-02-24 13336 13375 0.284943 Benar 33 2017-02-27 13339 13350 0.074968 Benar 34 2017-02-28 13347 13353 0.037461 Benar No Tanggal Harga Prediksi Batas Atas Batas Bawah

  1 2017-05-02 13339 13393 13286 2 2017-05-03 13334 13387 13280 3 2017-05-04 13322 13375 13268 4 2017-05-05 13346 13400 13293 5 2017-05-08 13348 13401 13295 6 2017-05-09 13341 13395 13288 7 2017-05-10 13339 13392 13286 8 2017-05-12 13365 13418 13311

  9 2017-05-15 13351 13404 13297 10 2017-05-16 13339 13393 13286 11 2017-05-17 13321 13374 13268 12 2017-05-18 13320 13373 13267 13 2017-05-19 13354 13408 13301 14 2017-05-22 13413 13466 13359 15 2017-05-23 13319 13372 13265 16 2017-05-24 13326 13380 13273 17 2017-05-26 13329 13382 13276 18 2017-05-29 13300 13353 13247 19 2017-05-30 13339 13393 13286 20 2017-05-31 13350 13404 13297 21 2017-06-02 13335 13388 13281 22 2017-06-05 13334 13387 13280 23 2017-06-06 13308 13361 13255 24 2017-06-07 13303 13357 13250 25 2017-06-08 13324 13377 13271 26 2017-06-09 13331 13384 13278 27 2017-06-12 13315 13368 13261 28 2017-06-13 13315 13369 13262 29 2017-06-14 13312 13365 13258 30 2017-06-15 13304 13357 13251 31 2017-06-16 13305 13359 13252 32 2017-06-19 13317 13370 13264 33 2017-06-20 13305 13358 13252 34 2017-06-21 13318 13371 13265 35 2017-06-22 13320 13374 13267

5. Hasil Prediksi

  memprediksi nilai tukar rupiah dengan akurasi hampir 100% dan dapat membantu bagi para pedagang valas maupun masyarakat umum dalam mengambil keputusan.

  [8] Kusnassriyanto (2011), Belajar Pemrograman Delphi, Modul, Ed. ed. 1 Bandung. [9] Kusumadewi, F. (2014), PERAMALAN HARGA

5.2. Saran

  tukar rupiah sehingga akan mempermudah proses

  (2010), Aplikasi Jaringan Syaraf Tiruan Untuk

  .

  Deepublish .

  menggunakan MySQL, Yogyakarta:

  [15] Yanto, R. (2016), Manajemen Basis Data

  PENGGUNAAN APLIKASI SISTEM JARINGAN SYARAF TIRUAN BERULANG ELMAN UNTUK PREDIKSI PERGERAKAN HARGA SAHAM Julian Talahatu, Njoto Benarkah dan Jimmy, , 4(2), 1–12.

  [14] Talahatu, J. Benarkah, N. dan Jimmy (2015),

  Rekayasa Perangkat Lunak, Bandung: Informatika Bandung.

  [13] Sukamto, R.A. dan Salahuddin, M. (2016),

  Penentuan Arsitektur Jaringan Syaraf Tiruan Backpropagation (Bobot Awal dan Bias Awal) Menggunakan Algoritma Genetika, Ijccs, 9(1), 77–88.

  [12] Suhendra, C.D. dan Wardoyo, R. (2015),

  & Pemrogrammannya Menggunakan Matlab, Yogyakarta: Andi Offset.

  [11] Siang, Jong Jek, (2005), Jaringan Syaraf Tiruan

  Memprediksi Volume Pemakaian Air Bersih Di Kota Pontianak, , 1–8.

  [10] Meishytah Eka Aprilianti, Dedi Triyanto, I.

  update data nilai tukar rupiah kedalam sistem ketika terdapat data nilai tukar rupiah baru.

  Kekurangan sistem ini adalah sistem yang dibangun belum terkoneksi dengan website Bank Indonesia sebagai penyedia data nilai tukar rupiah sehingga proses update data nilai tukar rupiah belum dapat dilakukan secara otomatis. Disarankan bagi pengembang selanjutnya untuk dapat menambahkan

  feature yang dapat mengkoneksikan sistem dengan website Bank Indonesia sebagai penyedia data nilai

  Terhadap US Dollar Menggunakan Metode Genetic Programming, Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 3(4), 285–291.

  [7] Jauhari, D. Hanafi, A. Y, M.F.A. Satria, A.R. dan H, L.H. (2016), Prediksi Nilai Tukar Rupiah

  Teori dan Aplikasi, Andi, Ed. Yogyakarta: Andi.

  [5] Fathansyah (2012), Basis Data, P. Informatika, Ed. Bandung. [6] Hermawan, A. (2006), Jaringan Syaraf Tiruan

  Terhadap Dollar Amerika Menggunakan Metode Fuzzy Time Series, , 18.

  [3] Ahmar, A.S. (2013), Modifikasi Template CMS Lokomedia, Yogyakarta: Garudhawaca. [4] Anwary, A.A. (2011), Prediksi Kurs Rupiah

  Syaraf Tiruan Backpropagation untuk Seleksi Penerimaan Mahasiswa Baru pada Jurusan Teknik Komputer di Politeknik Sriwijaya, Universitas Diponegoro, 2, 4–32.

  [2] Agustin, M. (2012), Penggunaan Jaringan

  PREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN METODE BACK PROPAGATION NEURAL NETWORK, , 3(3), 132–141.

  Informatika, T. dan Informasi, F.T. (2013),

  DAFTAR PUSTAKA [1] Afrianto, R.B. Tjandrasa, H. Arieshanti, I.

  EMAS MENGGUNAKAN FEEDFORWARD NEURAL NETWORK DENGAN ALGORITMA BACKPROPAGATION, , 7.