PERAMALAN PENGGUNAAN BANDWIDTH DI FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN INPUT BERDASARKAN BEST SUBSET REGRESSION
Keywords:
bandwidth, jaringan saraf tiruan backpropagation, input, best subset regressionAbstract
Telah dikembangkan model peramalan penggunaan bandwidth di FMIPA UNS menggunakan jaringan saraf tiruan backpropagation dengan pemilihan variabel input pada jaringan saraf berdasarkan best subset regression. Data penggunaan bandwidth diperoleh dari grafik cacti periode 15 Juli 2013-15 September 2013 dengan data pelatihan 220 data yang terdiri atas data beban download average, download maximum, download minimum, upload average, upload maximum dan upload minimum. Data diklasifikasikan menurut jam dengan 4 kategori, yaitu pagi, siang, sore, dan malam, hari dengan 7 kategori, dan kondisi dengan kategori pada saat libur lebaran, liburan, awal kuliah, kuliah, dan krs. Variabel input jaringan saraf tiruan yang dipertimbangkan dalam pembuatan model adalah data beban pada 3 hari sebelumnya (Yt-12), data beban pada 2 hari sebelumnya (Yt-8), data beban pada 1 hari sebelumnya (Yt-4), jam, hari, dan masa. Beberapa model peramalan telah diuji dan menunjukkan bahwa model linier regression paling memadai. Dengan best subset regression diperoleh variabel input pada jaringan saraf tiruan yang tepat untuk model peramalan adalah jam, hari dan masa. Sedangkan data beban sebelumnya (Yt-4) yang berpengaruh pada download average, download maximum, download minimum, upload average dan upload minimum, Data beban pada 2 hari sebelumnya (Yt-8) berpengaruh pada download minimum, dan data beban pada 3 hari sebelumnya (Yt-12) berpengaruh pada download maximum (R-sq(adj) = 70.2). Model peramalan yang diuji meliputi download average, download maximum, download minimum, upload average, upload maximum dan upload minimum. Pengujian model peramalan menggunakan jaringan saraf tiruan backpropagation dengan 2 hidden layer menujukkan bahwa hasil pengujian terhadap 112 data menunjukkan hubungan antara prediksi dengan target semuanya signifikan pada ?=0.01 dengan r bekisar (0.25-0.64).
References
Ahangar, R. G., & dkk. (2010). The Comparison of Methods Artificial Neural Network with Linear Regression Using Specific Variables for Prediction Stock Price in Tehran Stock Exchange. International Journal of Computer Science and Information Security (pp. 38-46). USA: IJCSIS.
Anderson, D., & Mcneil, G. (1992). Artificial Neural Network Technology. Rome: Kaman Sciences Corporation.
APJII. (2014). APJII: Pengguna Internet 71,19 Juta 2013. Retrieved Maret 20, 2014, from Yahoo News: http://id.berita.yahoo.com/apjii-pengguna-internet-71-19-juta-2013-074905800.html
Aryanti, Gernowo, R., & Sugiharto, A. (2012, 08 28). Eprints Undip. Retrieved 01 14, 2004, from Undip: http://eprints.undip.ac.id/35980/
Comer, D. E. (2004). Computer Network and Internets. New Jersey: Prentice Hall.
Dave, A., & George, M. (1992). Artificial Neural Network Technology. Rome: Kaman Sciences Corporation.
Draper, N. a. (1992). Analisis Regresi Terapan edisi kedua (terjemahan oleh Bambang Sumantri). Jakarta: Gramedia.
Fausset, L. (1994). Fundamentals of Neural Networks, Architecture, Algorithms, and Application. New Jersey: Prentice Hall Inc.
Hanum, H. (2011). Perbandingan Metode Stepwise, Best Subset Regression, dan Fraksi dalam Pemilihan Model Regresi Berganda Terbaik. Jurnal Penelitian Sains (volume: 14), 1-6.
Kusumadewi, S. (2004). Membangun Jaringan saraf tiruan menggunakan matlab dan excel link. Yogyakarta: Graha Ilmu.
Mara, D. (2013). Efektifitas metode jackknife dalam mengatasi multikolinearitas dan penyimpangan normalitas pada analisis regresi berganda. Seminar Nasional Matematika dan Pendidikan Matematika FMIPA UNY, (pp. 123-126). Yogyakarta.
Mekonga, I., Gernowo, R., & Sugiharto, A. (2012). E-prints Undip. Retrieved 01 14, 2014, from Undip: http://eprints.undip.ac.id/35988/
Mitchell, T. (1997). Machine Learning. USA: McGraw-Hill.
Nguyen, G. H. (2013). Sales Forecasting using Regression and Artificial Neural Networks. Midstates Conference For undergraduate Research incompute science and mathematics.
Pan, X., & dkk. (2013). A comparison of neural network backpropagation algorithms for electricity load forecasting. Intelligent Energy Systems (IWIES), 2013 IEEE International Workshop on (pp. 22-27). Vienna: IEEE.
Priddy, K. L., & Kelle, L. (2005). Artificial Neural Network: an Introduction. Bellingham: The International Society of Optical Engineering.
S.L Pinjare, A. K. (2012). Implementation of Neural Network Back Propagation Training Algorithm on FPGA. International Journal of Computer Application, 1-7.
Sulistiyo, M. ,. (2013). Evolution strategies for weight optimization of Artificial Neural Network in time series prediction. 2013 IEEE International Conference on (pp. 143-147). Jogjakarta: IEEE.
Tarassenko, L. (2004). A Guide to Neural Computing Applications. Burlington: Elsevier Ltd.
Utami, D. F. (2007). Aplikasi Jaringan syaraf tiruan dalam perhitungan persentase kebenaran pada klasifikasi jurusan siswa di SMA N 8 Surakarta. Retrieved 07 14, 2014, from Digilib UNS: http://diglib.uns.ac.id/pengguna.php?mn=showview&id=11553
Yu Wang, d. (2011). Best-Subset Selection Procedure. Proceedings of the 2011 winter simulation conference (pp. 4310-4318). Phoenix, AZ: IEEE.
Yuniati, T. (2010). Pemilihan Model Regresi Linier Berdasarkan modifikasi Statistik Cp Mallows. Jurnal UNS.
