PERAMALAN JUMLAH TAMU HOTEL DI KABUPATEN DEMAK MENGGUNAKAN METODE SUPPORT VECTOR REGRESSION - Diponegoro University | Institutional Repository (UNDIP-IR)
PERAMALAN JUMLAH TAMU HOTEL DI KABUPATEN DEMAK
MENGGUNAKAN METODE SUPPORT VECTOR REGRESSION
SKRIPSI
Disusun Oleh :
DESY TRISHARDIYANTI ADININGTYAS
24010211130047
JURUSAN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2015
PERAMALAN JUMLAH TAMU HOTEL DI KABUPATEN DEMAK
MENGGUNAKAN METODE SUPPORT VECTOR REGRESSION
Di
n
oleh :
DESY TRISHARDIYANTI ADININGTYAS
24010211130047
Skripsi
Diajukan Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains pada
Jurusan Statistika Fakultas Sains dan Matematika Undip
JURUSAN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2015
i
l
d
u
: Peramalan Jumlah Tamu Hotel di Kabupaten Demak Menggunakan
Metode Support Vector Regression
Nama : Desy Trishardiyanti Adiningtyas
NIM
: 24010211130047
Telah diujikan pada sidang Tugas Akhir tanggal 28 Agustus 2015 dan dinyatakan
lulus pada tanggal 29 September 2015.
Semarang, 30 September 2015
Mengetahui,
Ketua Jurusan Statistika
Panitia Penguji Ujian Tugas Akhir
FSM UNDIP
Ketua,
Dra. Dwi Ispriyanti, M.Si
Drs. Agus Rusgiyono, M.Si
NIP. 195709141986032001
NIP. 196408131990011001
i
! " ! # $ ! %&'
( )* '" +! , -".." , "
-'&
Support Vector Regression
/ !
+01 $
0#
1 "'
2
"
".'1 0
/3-
24010211130044
$ #
5
, " * 0
". $. 0 2,#
' ".. 26 2.0'0
2015.
7! ".,
!)
!)
". 3
+
# 7
30 7*'!) 2015
Pembimbing II
Moch. Abdul Mukid, S.Si, M.Si
fitri, S.Si, M.Si
NIP. 197510082003122001
NIP. 197808172005011001
89:9 ;9=:9?
Puji Syukur penulis ucapkan atas kehadirat Allah SWT yang telah
memberikan rahmat dan karunia-Nya, sehingga penulisan Tugas Akhir ini dapat
terselesaikan. Tugas Akhir yang berjudul Peramalan Jumlah Tamu Hotel di
Kabupaten Demak Menggunakan Metode Support Vector Regression
ini
merupakan salah satu syarat untuk memperoleh gelar Sarjana Sains pada Jurusan
Statistika Fakultas Sains dan Matematika Universitas Diponegoro.
Pada kesempatan ini penulis ingin menyampaikan terima kasih kepada :
1. Ibu Dra. Dwi Ispriyanti, M.Si sebagai Ketua Jurusan Statistika Fakultas
Sains dan Matematika Universitas Diponegoro.
2. Ibu Diah Safitri, S.Si, M.Si dan Bapak Moch. Abdul Mukid, S.Si, M.Si
selaku dosen pembimbing I dan dosen pembimbing II.
3. Bapak dan Ibu dosen Jurusan Statistika Fakultas Sains dan Matematika
Universitas Diponegoro.
4. Semua pihak yang tidak dapat disebutkan satu per satu yang telah membantu
penulis dalam penulisan Tugas Akhir ini.
Kritik dan saran dari pembaca akan menjadi masukan yang sangat
berharga. Harapan penulis semoga Tugas Akhir ini dapat bermanfaat bagi penulis
khususnya dan bagi pembaca pada umumnya.
Semarang, September 2015
Penulis
iv
@ABCD@E
Penelitian ini bertujuan untuk meramalkan jumlah tamu hotel di
Kabupaten Demak menggunakan metode SFGGHIJ VKLJHI RKMIKNNOHP. SFGGHIJ
VKLJHI RKMIKNNOHP (SVR) merupakan salah satu metode yang digunakan untuk
peramalan. Peramalan jumlah tamu hotel di Kabupaten Demak menggunakan
SVR menghasilkan akurasi yang bagus untuk peramalan terhadap data JIaining
dan testing. Peramalan terhadap data training menghasilkan nilai MAPE sebesar
10,2806 % dan peramalan terhadap data testing menghasilkan nilai MAPE sebesar
11,622 %.
EQRQ ESnTU
: Support Vector Regression, hotel, Kabupaten Demak, akurasi,
peramalan, training, testing
v
VWXYZV[Y
The purpose of this research is to forecast the number of hotel s guests in
Demak using Support Vector Regression. Support Vector Regression (SVR) is
method used for forecasting. Forecasting the number of hotel s guests in Demak
using SVR produce good accuracy for forecasting the training and testing data.
Forecasting for the training data generate MAPE value of 10.2806% and
forecasting of testing data generate MAPE value of 11.622%.
\]^_`abc:
Support Vector Regression, hotel, Demak, accuracy, forecasting,
training, testing
vi
defgeh iji
klmlnlo JpDpmqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq r
klmlnlo stoutvlklo w qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq rr
klmlnlo stoutvlklo ww qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq rrr
xlTl stouloTly qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq rv
lzvTylx qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqv
lzvTylCT qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq {r
Dl|Tly wvw qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq {rr
Dl|Tly ulnzly qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqx
Dl|Tly Tlztm qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq xr
Dl|Tly mlnswylo qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq rx r
zlz w
stoDlkpmplo
l ~kn
}q} m~t~rz~
qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq}
m
l
}q yu
~nn~~~
m~~t ~n
}q s
}q
zlz ww
Tu
j~n
qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq
l qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq
n~~~
srlrt~n qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq
TwoJlplo spvTlxl
m
o
q} srt~np~~ lk
~r
qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq
tl
q srt~nko
qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq
l rr~r ko
tl
q x~
qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq
rm
ln
q srt~ns~
~~
qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq
q
Support Vector Regression
q
Loss Function
qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq
qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq}}
vii
m
r
o
Support Vector Regression m Quadratic
Programming tr
«¬«
Cr n¡r
¢
£ u
n¤ ¥ n r l
¢
¦ §
r n¨©o
u
k
r
ª
¨®¯D¯°¯± ²¨³¨°T¬³
J snu
ḿ rDt
µr´ l² n
ltn
°n
¤¶·
«¬« µ ¸¬°
· ¬ls
°n
¤k
D¬³ ²¨«¬¸¬¬³
º
pt
r Dt Ju
m
l· ®m
u¸ o
t l ¥´» t n
¹ ¬ls D
sk
k² r¼ Jr ¦
D m
m n¤n¬¤u
s¦¹
tu
s
¦ »
t nµr´ l² r k
n
to
r
¹ ²
l·n²
r m t ½r ¤u
n ¥ n r ln
¹ ² m
T ŕ k
Loss Function
r t ¤n³l « t
¹¹ ² ·
¹¢ ¼ l
¦
Support Vector Regression
t
r ml n t ·r p D
¹ª ²
¤
n ¥ nr ln
u
Training ¤¤u
n¶n²r m t ½r
Loss Function T ŕ k
t
r ml n t ·r p D
¹ ²
¤
n ¥ nr ln
u
r t ¤nl
¹ ² ·
¹
Testing ¤n¤kn²r m t ½r
Loss Function T ŕ k
¢
Mean Absolut Percentage Error ¾¬²¨¿ ª
ln «u
ln¶
¹£ ¸l ² rm
D »n
viii
£
ÀÁÀ Â ÃÄÅÆÇÈÉÊÁË
m
pnu
l
ÃÌÍÎÏ
DÁÓTÁÔ ÈÉÅTÁÃÁ
ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÑÒ
ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÑÕ
ÊÁÇÈÆÔÁË ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÑÖ
ix
DAFTAR GAMBAR
Gambar 1. ØÙÚÛÜÝÞßÜÚ àÜßÛáÚ âãää åæçèéêãçëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëë ì
Gambar 2. íáÜÛßÜî ïðáß ïÚÜðáñáñ íÜÝÜ ØÙÚÙðáÝáÜÚ
ëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëë òó
Gambar 3. ØðôÝ Øïõö íÜÝÜ ÷ÞîðÜø ùÜîÞ úôÝÙð ûá KÜüÞýÜÝÙÚ íÙîÜþ
ëëëëëëëëëëëë ÿò
Gambar 4. ØðôÝ HÜñáð ØÙßÜîÜðÜÚ ÝÙßøÜûÜý íÜÝÜ êçêç ëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëë ÿ
Gambar 5. ØðôÝ HÜñáð ØÙßÜîÜðÜÚ ÝÙßøÜûÜý íÜÝÜ äéêç ëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëë ÿ
×
DATAR TAB
1
2 !
3 "#$%$&$ '()*+*+, %$ - ". $ /
4 "#$%$&$ '012*+, %$ - ". $ 3
5 - ". $ 4 !5 $ $6
i
T ; LAMPIRAN
89:9
Lampiran 1. = ?@AB=h C=A@ DE>FB GH I=J@K=>FL @Q TUVW ....................................34
Lampiran 2. X>=>iQ>iM= iY = ?@AB=h C=A@ DE>FB GH I=J@K=>FL
@Q TUVW .........35
Lampiran 3. Z@>K@> ?@AB=[ \]^^_`a Vbca_`, NHB=H dF>= G=L dH=Q .....................3e
Lampiran 4. D=QHB NFO=A=B=L >FO[=G=K = f`ghihij .......................................42
Lampiran 5. D=QHB NFO=A=B=L >FO[=G=K = fbkahij .........................................43
Lampiran 6. XLy>=xXlR K=G= M=>B=J m2009=
.................................................44
Lampiran 7. MSNE D=QHB NFO=A=B=L MFLRR@L=M=L XlR ............................... 50
Lampiran 8. l=OH=JFB NOFGHM>EO G=L l=OH=JFB RFQKEL =yLR GHR@L=M=L
G=B=A NFLFBH>H=L ...............................................................................52
7ii
BAB I
PENDAHULUAN
1.1 Latar Belakang
nopqrotst usvow oxoyoz {wyooyz oyt| st }wst
oy xst|ot {w~oto }sy{|{
wo}sto x{ nopqrotst usvow ts}xorot vowov utot noy{o|o xot o~{x |qt|
usvow oyt| vs}qrowot rst{t||oyot xo}{ oy{ t| syo{t o~{x |qt|
usvow xot vowov qtot noy{o|o x{ nopqrost usvow q|o s}xoro psps}oro
psyw {w~oo oyt| vsvrqtoy{ rst~{ qtqw s}q~ x{wsvpot|wot
{~oo s}~spq oxoyoz
svs}{toz uos}oz nopqrost usvow psyw w
ysz
ovot {o
xot oto{ }~o}{ ovot {o oxoyoz psyw {w~oto oyt| ps}{~{ rs}vo{tot otow
otow xot wyov }stot| sxot|wot oto{ }~o}{ oxoyoz psyw {w~oo oyt|
vstoy{wot ro t}ovo roto{ xot x{ woow~ot oto{ }~o}{ q|o s}xoro ovot
. qvyoz {w~ooowt
oyt | ps}wqtqt| ws psyw {w~oo x{
nopqrost
usvow ~svow{t vst{t|wo roxo psps}oro ozqt s}owz{} uoo u{to~ o}{{w~oo
xot nspqxooyot nopqrost usvow vstqtqwwot pozo qvy oz {w~ooowt oyt|
ps}wqtqt| roxo ozqt oxoyoz {w~ooowt xot roxo ozqt
vst{t|wo vstox{ {~ooowt usvow .
¡t~q} ts}rst{t| x{ xoyov ~sw} ro}{{w~oot ssyo{t psyw {w~oot oyt|
vstox{ qt qot utovo ro}o {w~otoowt
oxoyoz zsy ~spo|o{ st vrot ps}{{st}ozot
otouvst|{to r x{ xos}oz tqqot {w~oto
s}~ovoot xst|ot vst{t|wotoy qvyoz
{w~oow
ot oyt| ps}wqtqt| ws psyw {w~oo x{ nopqrost usvow
roxo psps}oro
ozqt s}owz{} zsy ~spo|o{ rstqtot| ~sw} ro}{{w~oo
rs}yq x{rotoq xot
1
2
¢£¤¥¦§¨¦©£ ¢¦§¦ª «¤¬r ¤ª¦n®¦¦ny
. ¯¤¤°§¦±®©¨±®¦± ²£¢¨« ²³´¤§ ©¦±®¦t
¢£t¤±´¨¬¦± ³§¤² t£±®®£ µ°¤±¢¦²±y¦ ´£±®¬¦´ ²¨±£¦±¶ ·¨ª§¦² ´¦ª¨ ²³´¤§ ¢¦±
¢£«¤±®¦°¨²£ ³§¤² §¦ª¦±¦y ´¦ª¨ ª¤±®£±¦« ¸¹º» ¼¦¦w½¤±®¦²¶ ¾¿À¾Á.
½¤°¢¦«¦t ¤¤°¦«¦
ª¤³t ¢¤ ¦y±® t¤§¦² ¢ £®u±¦¬¦±
©¤¤§¨ª±¦y ¨±´¨¬ «¤°¦ª¦§¦± ·¨ª§¦² t¦ªu²³´¤§Â
ÃÄÅÆÇÆÈÆÉ Jumlah Tamu di Hotel
X
º¤±¤§£t£¦± t¤°©¤¨´ ¤°·¨¢¨§
dengan Pendekatan ARIMA, Fungsi
Transfer dan ANFIS ³§¤² ʦ°¢£¦±¦ ¤t ¦§Â
¢£l¦¬¨¬¦ n ol¤² ʦ°¢£¦±¦ ¤t ¦§Â
«¦¢¦ «¤±¤§£t£¦±
¸201ËÁ. ̦l¦m«¤±¤l£t£¦n ¦y®n
¸201ËÁ ¢£©¤ut¬¦n ¦²Í¦ m
¤t³¢¤ ÎÏÐÑÎ
¤r̈ «¦¬¦n®¦¨±®¦n¢¦£r
¸Autoregressive Integrated Moving AverageÁ m
³pr©¤s
Autoregressive ¸ÎÏÁ ¢¦n Moving Average ¸ÑÎÁ ¦y®n ¢£®u
n¦¬¦n¢¦l¦mm
³¢¤l
«¤¦r ¦ml¦n«¦¢¦ ¢¦t¦ ¢¤¤r t ¦w¬´u
±£§¦£ ¢¦£r ©¨¦tu¢¤r¤t w
¦¬´u
¶ Òun®©£ t ¦r nsÒ¤r
¢£®un¦¬¦n¨unt¬ ª¤r¦ª¦§¬¦n
¦y±® ¤°¢¦s¦° «¦¢¦ ±£§¦£ ª¦©¦ §¦§u¢¦°£ ¢¤°¤t £tu
©¤±¢£°£ ¢¦± ¢£¢¦©¦°¬¦± «¦¢¦ ©¦tu¦t¦u§¤£² ¢¤°¤t¦w¬´u¦y±® ¤
°²¨¨±®¦± ¢¤±®¦±
¢¤°¤t ³¨´«¨´¶ ¢¦± ÎÓÔл ¸Adaptive Neuro Fuzzy Inference SystemÁ m
¤r̈ «¦
®¦¨±®¦n¢¦£r
¬¦n
Artificial Neural Network ¸ÎÓÓÁ ¢¦n Fuzzy Inference System
¸ÔлÁ.
º¦¢¦ «¤±¤l£t£¦n£±£ ¶ «¤±¤l£t£ ¤m±®®¨±¦k¦nm
¤t³¢¤ l¦£n¢¦l¦mm
¤¦r ¦m¬l ¦n
¤±®®¨±¦k¦n
ju
m
l¦² t¦m
u²³´¤¶l ¦y£tum
Support Vector Regression. Ѥnu
tr»¦£r
¸200ÕÁ Support Vector Regression ¤mr̈ «¦k¦n«¤±¤¦r «¦n
tk¬¦su¤r ®¤r ©£.
n
u
¤±®¦t¦©£
m
Support Vector Machine
¤t³¢¤ ¦y®n ¢¦«¦t
Support Vector Regression ¤mr̈ «¦¬¦nm
¤n®²¦©£l¬¦n«¤Òrª
overfitting¶ ©¤²£±®®¦ ¦¬¦nm
r ¦±©£ ¦yn® ¦®us.
o
3
1.2 Rumusan Masalah
Ö×ØÙÚÛÚÜÚÝÚÞ ÚyÞß àáÚÞßâÚtàÚÜÚÙ ã×Þ×ÜáátÚÞ áÞá ÚàÚÜÚÝ
äå æÚßÚáÙÚÞÚ Ùçà×Ü ã×ØÚÙÚÜÚÞ èéÙÜÚÝ êÚÙé Ýçê×Ü àá ëÚìéãÚê×Þ í×ÙÚâ
Ù×ÞßßéÞÚâÚÞ Ù×êçà× îïportðñòtoróñôõñöö÷on
å
øå æÚßÚáÙÚÞÚ ÝÚÛáÜ ã×ØÚÙÚÜÚÞ èéÙÜÚÝ êÚÙé Ýçê×Ü àá ëÚìéãÚê×Þ í×ÙÚâ éÞêéâ
äø ìéÜÚÞ â× à×ãÚÞ ùú××ptìm×r 201û ÛÚÙãÚá à×ÞßÚÞ üßust øýäþÿ
m
×ÞßßunÚâÚnm
×çt à×
îïportðñòtoróñôõñöö÷on
.
å æÚßÚáÙÚÞÚ ÚâéØÚÛá ÝÚÛáÜ ã×ØÚÙÚÜÚÞ èéÙÜÚÝ êÚÙé Ýçê×Ü àá ëÚìéãÚê×Þ
í×ÙÚâ Ù×ÞßßéÞÚâÚÞ Ù×êçà× îïõ ðñòtoróñôõñöö÷on
å
1.3 Pembatasan Masalah
Ö×ÙìÚêÚÛÚÞ ÙÚÛÚÜÚÝ ãÚàÚ ã×Þ×ÜáêáÚÞ áÞá ÚàÚÜÚÝ
äå Ö×Þ×ÜáêáÚÞ áÞá Ù×ÞßßéÞÚâÚÞ àÚêÚ Û×âéÞà×Ø Úyáêé àÚêÚ èéÙÜÚÝ êÚÙé Ýçê×Ü àá
ëÚìéãÚê×Þ í×ÙÚâ ã×Øáçà× ÚÞéÚØá øýý ÛÚÙãÚá à×ÞßÚÞ üßéÛêéÛ øýäû
Û×ìÚÞÚyâ ý àÚêÚå
øå ×êçà× ÚyÞß àáßéÞÚâÚÞ àÚÜÚÙ ã×Þ×ÜáêáÚÞ áÞá ÚàÚÜÚÝ
îïõ ðñòtor
óñôõñs ÷on Ù×ÞßßéÞÚâÚÞ - insensitive àÚÞ quadratic loss function à×ÞßÚÞ
éÞßÛá â×ØÞ×Ü ÜáÞá×Ø àÚÞ ãçÜáÞçÙáÚÜå
4
1.4 Tujuan Penelitian
t
t u
rt#$%to
o
p
r&$'($))*o
n
t !"p
t
tmr201/ ,
+ ,
+
-.p
st+123
0 u
m
nn
u
un
tkt ju
m
l t m
uo
t l
r&$'($))*o
n
!"445(6 #$%to
tnm
k
.
7
, ,
tu
rt#$%to
o
p
r&$'($))*o
n
!"p
t
MENGGUNAKAN METODE SUPPORT VECTOR REGRESSION
SKRIPSI
Disusun Oleh :
DESY TRISHARDIYANTI ADININGTYAS
24010211130047
JURUSAN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2015
PERAMALAN JUMLAH TAMU HOTEL DI KABUPATEN DEMAK
MENGGUNAKAN METODE SUPPORT VECTOR REGRESSION
Di
n
oleh :
DESY TRISHARDIYANTI ADININGTYAS
24010211130047
Skripsi
Diajukan Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains pada
Jurusan Statistika Fakultas Sains dan Matematika Undip
JURUSAN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2015
i
l
d
u
: Peramalan Jumlah Tamu Hotel di Kabupaten Demak Menggunakan
Metode Support Vector Regression
Nama : Desy Trishardiyanti Adiningtyas
NIM
: 24010211130047
Telah diujikan pada sidang Tugas Akhir tanggal 28 Agustus 2015 dan dinyatakan
lulus pada tanggal 29 September 2015.
Semarang, 30 September 2015
Mengetahui,
Ketua Jurusan Statistika
Panitia Penguji Ujian Tugas Akhir
FSM UNDIP
Ketua,
Dra. Dwi Ispriyanti, M.Si
Drs. Agus Rusgiyono, M.Si
NIP. 195709141986032001
NIP. 196408131990011001
i
! " ! # $ ! %&'
( )* '" +! , -".." , "
-'&
Support Vector Regression
/ !
+01 $
0#
1 "'
2
"
".'1 0
/3-
24010211130044
$ #
5
, " * 0
". $. 0 2,#
' ".. 26 2.0'0
2015.
7! ".,
!)
!)
". 3
+
# 7
30 7*'!) 2015
Pembimbing II
Moch. Abdul Mukid, S.Si, M.Si
fitri, S.Si, M.Si
NIP. 197510082003122001
NIP. 197808172005011001
89:9 ;9=:9?
Puji Syukur penulis ucapkan atas kehadirat Allah SWT yang telah
memberikan rahmat dan karunia-Nya, sehingga penulisan Tugas Akhir ini dapat
terselesaikan. Tugas Akhir yang berjudul Peramalan Jumlah Tamu Hotel di
Kabupaten Demak Menggunakan Metode Support Vector Regression
ini
merupakan salah satu syarat untuk memperoleh gelar Sarjana Sains pada Jurusan
Statistika Fakultas Sains dan Matematika Universitas Diponegoro.
Pada kesempatan ini penulis ingin menyampaikan terima kasih kepada :
1. Ibu Dra. Dwi Ispriyanti, M.Si sebagai Ketua Jurusan Statistika Fakultas
Sains dan Matematika Universitas Diponegoro.
2. Ibu Diah Safitri, S.Si, M.Si dan Bapak Moch. Abdul Mukid, S.Si, M.Si
selaku dosen pembimbing I dan dosen pembimbing II.
3. Bapak dan Ibu dosen Jurusan Statistika Fakultas Sains dan Matematika
Universitas Diponegoro.
4. Semua pihak yang tidak dapat disebutkan satu per satu yang telah membantu
penulis dalam penulisan Tugas Akhir ini.
Kritik dan saran dari pembaca akan menjadi masukan yang sangat
berharga. Harapan penulis semoga Tugas Akhir ini dapat bermanfaat bagi penulis
khususnya dan bagi pembaca pada umumnya.
Semarang, September 2015
Penulis
iv
@ABCD@E
Penelitian ini bertujuan untuk meramalkan jumlah tamu hotel di
Kabupaten Demak menggunakan metode SFGGHIJ VKLJHI RKMIKNNOHP. SFGGHIJ
VKLJHI RKMIKNNOHP (SVR) merupakan salah satu metode yang digunakan untuk
peramalan. Peramalan jumlah tamu hotel di Kabupaten Demak menggunakan
SVR menghasilkan akurasi yang bagus untuk peramalan terhadap data JIaining
dan testing. Peramalan terhadap data training menghasilkan nilai MAPE sebesar
10,2806 % dan peramalan terhadap data testing menghasilkan nilai MAPE sebesar
11,622 %.
EQRQ ESnTU
: Support Vector Regression, hotel, Kabupaten Demak, akurasi,
peramalan, training, testing
v
VWXYZV[Y
The purpose of this research is to forecast the number of hotel s guests in
Demak using Support Vector Regression. Support Vector Regression (SVR) is
method used for forecasting. Forecasting the number of hotel s guests in Demak
using SVR produce good accuracy for forecasting the training and testing data.
Forecasting for the training data generate MAPE value of 10.2806% and
forecasting of testing data generate MAPE value of 11.622%.
\]^_`abc:
Support Vector Regression, hotel, Demak, accuracy, forecasting,
training, testing
vi
defgeh iji
klmlnlo JpDpmqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq r
klmlnlo stoutvlklo w qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq rr
klmlnlo stoutvlklo ww qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq rrr
xlTl stouloTly qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq rv
lzvTylx qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqv
lzvTylCT qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq {r
Dl|Tly wvw qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq {rr
Dl|Tly ulnzly qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqx
Dl|Tly Tlztm qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq xr
Dl|Tly mlnswylo qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq rx r
zlz w
stoDlkpmplo
l ~kn
}q} m~t~rz~
qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq}
m
l
}q yu
~nn~~~
m~~t ~n
}q s
}q
zlz ww
Tu
j~n
qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq
l qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq
n~~~
srlrt~n qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq
TwoJlplo spvTlxl
m
o
q} srt~np~~ lk
~r
qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq
tl
q srt~nko
qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq
l rr~r ko
tl
q x~
qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq
rm
ln
q srt~ns~
~~
qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq
q
Support Vector Regression
q
Loss Function
qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq
qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq}}
vii
m
r
o
Support Vector Regression m Quadratic
Programming tr
«¬«
Cr n¡r
¢
£ u
n¤ ¥ n r l
¢
¦ §
r n¨©o
u
k
r
ª
¨®¯D¯°¯± ²¨³¨°T¬³
J snu
ḿ rDt
µr´ l² n
ltn
°n
¤¶·
«¬« µ ¸¬°
· ¬ls
°n
¤k
D¬³ ²¨«¬¸¬¬³
º
pt
r Dt Ju
m
l· ®m
u¸ o
t l ¥´» t n
¹ ¬ls D
sk
k² r¼ Jr ¦
D m
m n¤n¬¤u
s¦¹
tu
s
¦ »
t nµr´ l² r k
n
to
r
¹ ²
l·n²
r m t ½r ¤u
n ¥ n r ln
¹ ² m
T ŕ k
Loss Function
r t ¤n³l « t
¹¹ ² ·
¹¢ ¼ l
¦
Support Vector Regression
t
r ml n t ·r p D
¹ª ²
¤
n ¥ nr ln
u
Training ¤¤u
n¶n²r m t ½r
Loss Function T ŕ k
t
r ml n t ·r p D
¹ ²
¤
n ¥ nr ln
u
r t ¤nl
¹ ² ·
¹
Testing ¤n¤kn²r m t ½r
Loss Function T ŕ k
¢
Mean Absolut Percentage Error ¾¬²¨¿ ª
ln «u
ln¶
¹£ ¸l ² rm
D »n
viii
£
ÀÁÀ Â ÃÄÅÆÇÈÉÊÁË
m
pnu
l
ÃÌÍÎÏ
DÁÓTÁÔ ÈÉÅTÁÃÁ
ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÑÒ
ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÑÕ
ÊÁÇÈÆÔÁË ÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÐÑÖ
ix
DAFTAR GAMBAR
Gambar 1. ØÙÚÛÜÝÞßÜÚ àÜßÛáÚ âãää åæçèéêãçëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëë ì
Gambar 2. íáÜÛßÜî ïðáß ïÚÜðáñáñ íÜÝÜ ØÙÚÙðáÝáÜÚ
ëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëë òó
Gambar 3. ØðôÝ Øïõö íÜÝÜ ÷ÞîðÜø ùÜîÞ úôÝÙð ûá KÜüÞýÜÝÙÚ íÙîÜþ
ëëëëëëëëëëëë ÿò
Gambar 4. ØðôÝ HÜñáð ØÙßÜîÜðÜÚ ÝÙßøÜûÜý íÜÝÜ êçêç ëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëë ÿ
Gambar 5. ØðôÝ HÜñáð ØÙßÜîÜðÜÚ ÝÙßøÜûÜý íÜÝÜ äéêç ëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëëë ÿ
×
DATAR TAB
1
2 !
3 "#$%$&$ '()*+*+, %$ - ". $ /
4 "#$%$&$ '012*+, %$ - ". $ 3
5 - ". $ 4 !5 $ $6
i
T ; LAMPIRAN
89:9
Lampiran 1. = ?@AB=h C=A@ DE>FB GH I=J@K=>FL @Q TUVW ....................................34
Lampiran 2. X>=>iQ>iM= iY = ?@AB=h C=A@ DE>FB GH I=J@K=>FL
@Q TUVW .........35
Lampiran 3. Z@>K@> ?@AB=[ \]^^_`a Vbca_`, NHB=H dF>= G=L dH=Q .....................3e
Lampiran 4. D=QHB NFO=A=B=L >FO[=G=K = f`ghihij .......................................42
Lampiran 5. D=QHB NFO=A=B=L >FO[=G=K = fbkahij .........................................43
Lampiran 6. XLy>=xXlR K=G= M=>B=J m2009=
.................................................44
Lampiran 7. MSNE D=QHB NFO=A=B=L MFLRR@L=M=L XlR ............................... 50
Lampiran 8. l=OH=JFB NOFGHM>EO G=L l=OH=JFB RFQKEL =yLR GHR@L=M=L
G=B=A NFLFBH>H=L ...............................................................................52
7ii
BAB I
PENDAHULUAN
1.1 Latar Belakang
nopqrotst usvow oxoyoz {wyooyz oyt| st }wst
oy xst|ot {w~oto }sy{|{
wo}sto x{ nopqrotst usvow ts}xorot vowov utot noy{o|o xot o~{x |qt|
usvow oyt| vs}qrowot rst{t||oyot xo}{ oy{ t| syo{t o~{x |qt|
usvow xot vowov qtot noy{o|o x{ nopqrost usvow q|o s}xoro psps}oro
psyw {w~oo oyt| vsvrqtoy{ rst~{ qtqw s}q~ x{wsvpot|wot
{~oo s}~spq oxoyoz
svs}{toz uos}oz nopqrost usvow psyw w
ysz
ovot {o
xot oto{ }~o}{ ovot {o oxoyoz psyw {w~oto oyt| ps}{~{ rs}vo{tot otow
otow xot wyov }stot| sxot|wot oto{ }~o}{ oxoyoz psyw {w~oo oyt|
vstoy{wot ro t}ovo roto{ xot x{ woow~ot oto{ }~o}{ q|o s}xoro ovot
. qvyoz {w~ooowt
oyt | ps}wqtqt| ws psyw {w~oo x{
nopqrost
usvow ~svow{t vst{t|wo roxo psps}oro ozqt s}owz{} uoo u{to~ o}{{w~oo
xot nspqxooyot nopqrost usvow vstqtqwwot pozo qvy oz {w~ooowt oyt|
ps}wqtqt| roxo ozqt oxoyoz {w~ooowt xot roxo ozqt
vst{t|wo vstox{ {~ooowt usvow .
¡t~q} ts}rst{t| x{ xoyov ~sw} ro}{{w~oot ssyo{t psyw {w~oot oyt|
vstox{ qt qot utovo ro}o {w~otoowt
oxoyoz zsy ~spo|o{ st vrot ps}{{st}ozot
otouvst|{to r x{ xos}oz tqqot {w~oto
s}~ovoot xst|ot vst{t|wotoy qvyoz
{w~oow
ot oyt| ps}wqtqt| ws psyw {w~oo x{ nopqrost usvow
roxo psps}oro
ozqt s}owz{} zsy ~spo|o{ rstqtot| ~sw} ro}{{w~oo
rs}yq x{rotoq xot
1
2
¢£¤¥¦§¨¦©£ ¢¦§¦ª «¤¬r ¤ª¦n®¦¦ny
. ¯¤¤°§¦±®©¨±®¦± ²£¢¨« ²³´¤§ ©¦±®¦t
¢£t¤±´¨¬¦± ³§¤² t£±®®£ µ°¤±¢¦²±y¦ ´£±®¬¦´ ²¨±£¦±¶ ·¨ª§¦² ´¦ª¨ ²³´¤§ ¢¦±
¢£«¤±®¦°¨²£ ³§¤² §¦ª¦±¦y ´¦ª¨ ª¤±®£±¦« ¸¹º» ¼¦¦w½¤±®¦²¶ ¾¿À¾Á.
½¤°¢¦«¦t ¤¤°¦«¦
ª¤³t ¢¤ ¦y±® t¤§¦² ¢ £®u±¦¬¦±
©¤¤§¨ª±¦y ¨±´¨¬ «¤°¦ª¦§¦± ·¨ª§¦² t¦ªu²³´¤§Â
ÃÄÅÆÇÆÈÆÉ Jumlah Tamu di Hotel
X
º¤±¤§£t£¦± t¤°©¤¨´ ¤°·¨¢¨§
dengan Pendekatan ARIMA, Fungsi
Transfer dan ANFIS ³§¤² ʦ°¢£¦±¦ ¤t ¦§Â
¢£l¦¬¨¬¦ n ol¤² ʦ°¢£¦±¦ ¤t ¦§Â
«¦¢¦ «¤±¤§£t£¦±
¸201ËÁ. ̦l¦m«¤±¤l£t£¦n ¦y®n
¸201ËÁ ¢£©¤ut¬¦n ¦²Í¦ m
¤t³¢¤ ÎÏÐÑÎ
¤r̈ «¦¬¦n®¦¨±®¦n¢¦£r
¸Autoregressive Integrated Moving AverageÁ m
³pr©¤s
Autoregressive ¸ÎÏÁ ¢¦n Moving Average ¸ÑÎÁ ¦y®n ¢£®u
n¦¬¦n¢¦l¦mm
³¢¤l
«¤¦r ¦ml¦n«¦¢¦ ¢¦t¦ ¢¤¤r t ¦w¬´u
±£§¦£ ¢¦£r ©¨¦tu¢¤r¤t w
¦¬´u
¶ Òun®©£ t ¦r nsÒ¤r
¢£®un¦¬¦n¨unt¬ ª¤r¦ª¦§¬¦n
¦y±® ¤°¢¦s¦° «¦¢¦ ±£§¦£ ª¦©¦ §¦§u¢¦°£ ¢¤°¤t £tu
©¤±¢£°£ ¢¦± ¢£¢¦©¦°¬¦± «¦¢¦ ©¦tu¦t¦u§¤£² ¢¤°¤t¦w¬´u¦y±® ¤
°²¨¨±®¦± ¢¤±®¦±
¢¤°¤t ³¨´«¨´¶ ¢¦± ÎÓÔл ¸Adaptive Neuro Fuzzy Inference SystemÁ m
¤r̈ «¦
®¦¨±®¦n¢¦£r
¬¦n
Artificial Neural Network ¸ÎÓÓÁ ¢¦n Fuzzy Inference System
¸ÔлÁ.
º¦¢¦ «¤±¤l£t£¦n£±£ ¶ «¤±¤l£t£ ¤m±®®¨±¦k¦nm
¤t³¢¤ l¦£n¢¦l¦mm
¤¦r ¦m¬l ¦n
¤±®®¨±¦k¦n
ju
m
l¦² t¦m
u²³´¤¶l ¦y£tum
Support Vector Regression. Ѥnu
tr»¦£r
¸200ÕÁ Support Vector Regression ¤mr̈ «¦k¦n«¤±¤¦r «¦n
tk¬¦su¤r ®¤r ©£.
n
u
¤±®¦t¦©£
m
Support Vector Machine
¤t³¢¤ ¦y®n ¢¦«¦t
Support Vector Regression ¤mr̈ «¦¬¦nm
¤n®²¦©£l¬¦n«¤Òrª
overfitting¶ ©¤²£±®®¦ ¦¬¦nm
r ¦±©£ ¦yn® ¦®us.
o
3
1.2 Rumusan Masalah
Ö×ØÙÚÛÚÜÚÝÚÞ ÚyÞß àáÚÞßâÚtàÚÜÚÙ ã×Þ×ÜáátÚÞ áÞá ÚàÚÜÚÝ
äå æÚßÚáÙÚÞÚ Ùçà×Ü ã×ØÚÙÚÜÚÞ èéÙÜÚÝ êÚÙé Ýçê×Ü àá ëÚìéãÚê×Þ í×ÙÚâ
Ù×ÞßßéÞÚâÚÞ Ù×êçà× îïportðñòtoróñôõñöö÷on
å
øå æÚßÚáÙÚÞÚ ÝÚÛáÜ ã×ØÚÙÚÜÚÞ èéÙÜÚÝ êÚÙé Ýçê×Ü àá ëÚìéãÚê×Þ í×ÙÚâ éÞêéâ
äø ìéÜÚÞ â× à×ãÚÞ ùú××ptìm×r 201û ÛÚÙãÚá à×ÞßÚÞ üßust øýäþÿ
m
×ÞßßunÚâÚnm
×çt à×
îïportðñòtoróñôõñöö÷on
.
å æÚßÚáÙÚÞÚ ÚâéØÚÛá ÝÚÛáÜ ã×ØÚÙÚÜÚÞ èéÙÜÚÝ êÚÙé Ýçê×Ü àá ëÚìéãÚê×Þ
í×ÙÚâ Ù×ÞßßéÞÚâÚÞ Ù×êçà× îïõ ðñòtoróñôõñöö÷on
å
1.3 Pembatasan Masalah
Ö×ÙìÚêÚÛÚÞ ÙÚÛÚÜÚÝ ãÚàÚ ã×Þ×ÜáêáÚÞ áÞá ÚàÚÜÚÝ
äå Ö×Þ×ÜáêáÚÞ áÞá Ù×ÞßßéÞÚâÚÞ àÚêÚ Û×âéÞà×Ø Úyáêé àÚêÚ èéÙÜÚÝ êÚÙé Ýçê×Ü àá
ëÚìéãÚê×Þ í×ÙÚâ ã×Øáçà× ÚÞéÚØá øýý ÛÚÙãÚá à×ÞßÚÞ üßéÛêéÛ øýäû
Û×ìÚÞÚyâ ý àÚêÚå
øå ×êçà× ÚyÞß àáßéÞÚâÚÞ àÚÜÚÙ ã×Þ×ÜáêáÚÞ áÞá ÚàÚÜÚÝ
îïõ ðñòtor
óñôõñs ÷on Ù×ÞßßéÞÚâÚÞ - insensitive àÚÞ quadratic loss function à×ÞßÚÞ
éÞßÛá â×ØÞ×Ü ÜáÞá×Ø àÚÞ ãçÜáÞçÙáÚÜå
4
1.4 Tujuan Penelitian
t
t u
rt#$%to
o
p
r&$'($))*o
n
t !"p
t
tmr201/ ,
+ ,
+
-.p
st+123
0 u
m
nn
u
un
tkt ju
m
l t m
uo
t l
r&$'($))*o
n
!"445(6 #$%to
tnm
k
.
7
, ,
tu
rt#$%to
o
p
r&$'($))*o
n
!"p
t