Nugraheni, Nur Rahmi and Wutsqa, Dhoriva Urwatul (2017) MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK (FRBFNN) UNTUK MERAMALKAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA. S1 thesis, UNY.
|
Text
ABSTRACK.pdf Download (28kB) | Preview |
|
|
Text
BAB I.pdf Download (209kB) | Preview |
|
|
Text
BAB II.pdf Download (664kB) | Preview |
|
![]() |
Text
BAB III.pdf Restricted to Repository staff only Download (1MB) |
|
![]() |
Text
BAB IV.pdf Restricted to Repository staff only Download (210kB) |
|
|
Text
DAFTAR PUSTAKA.pdf Download (92kB) | Preview |
|
![]() |
Text
lampiran.pdf Restricted to Repository staff only Download (621kB) |
|
![]() |
Text
COVER.pdf Restricted to Repository staff only Download (859kB) |
|
![]() |
Text
lengkap.pdf Restricted to Repository staff only Download (2MB) |
Abstract
Fuzzy Radial Basis Function Neural Network (FRBFNN) adalah model penggabungan antara konsep logika fuzzy dengan Radial Basis Function Neural Network (RBFNN). Pada FRBFNN data input yang awalnya berupa nilai crisp diubah ke nilai fuzzy, dan data output yang berupa nilai fuzzy diubah ke nilai crisp. Tujuan dari penelitian ini adalah untuk menjelaskan prosedur peramalan kebutuhan listrik dan meramalkan kebutuhan listrik di Provinsi Daerah Istimewa Yogyakarta. Prosedur pembentukan model FRBFNN yaitu (1) menentukan input dengan melihat lag yang signifikan pada plot autokorelasi, (2) membagi data menjadi 2 yaitu data training dan data testing, (3) fuzzifikasi, (4) menentukan nilai pusat dan jarak menggunakan metode K-Means clustering, (5) membangun model FRBFNN dengan melihat nilai MAPE (Mean Absolute Percent Error) dan MSE (Mean Squares Error) terkecil (6) menguji model yang terbentuk dengan uji white noise dengan melihat plot ACF (Autocorrelation Function) dan PACF (Partial Autocorrelation Function) data residual. Pada penelitian ini, data yang digunakan adalah data time series dari kebutuhan listrik di Provinsi Daerah Istimewa Yogyakarta bulan Januari 2007 hingga Desember 2015. Fungsi keanggotaan yang digunakan adalah fungsi keanggotaan segitiga dengan 3 himpunan fuzzy. Arsitektur terbaik didapatkan 10 input dan 6 neuron tersembunyi dengan fungsi aktivasi Gaussian. Pembagian data training dan data testing hingga didapatkan model terbaik dengan kombinasi 75% dan 25%. Hasil MAPE data training dan data testing pada model terbaik dari penelitian ini adalah 7,9426% dan 9,7347%.
Item Type: | Thesis (S1) |
---|---|
Uncontrolled Keywords: | Fuzzy Neural Network, peramalan, kebutuhan listrik. |
Subjects: | Matematika dan Ilmu Pengetahuan Alam > Matematika |
Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) > Pendidikan Matematika > Matematika |
Depositing User: | Jurusan Pendidikan Matematika |
Date Deposited: | 04 Sep 2017 03:11 |
Last Modified: | 30 Jan 2019 15:02 |
URI: | http://eprints.uny.ac.id/id/eprint/52613 |
Actions (login required)
![]() |
View Item |