Blog

Algoritma Fuzzy AHP (Analytic Hierarchy Process) adalah salah satu algoritma yang digunakan untuk pengambilan keputusan. Contoh yang dibahas kali ini adalah menentukan nilai akhir kinerja karyawan.
Secara singkat, algoritma ini merupakan penggabungan dari Algoritma Fuzzy Logic dan Algoritma AHP (Analytic Hierarchy Process) yang sudah dijelaskan sebelumnya. Sebelum memperoleh jawaban akhir menggunakan teknik AHP, akan digunakan teknik Fuzzy Logic untuk memperoleh bobot kriteria yang lebih penting dibandingkan kriteria lainnya.

Regresi Kernel adalah salah satu cabang ilmu statistika untuk memperkirakan harapan terkondisi dari sebuah peubah acak. Contoh yang dibahas kali ini adalah mengenai memperkirakan penjualan pada periode berikutnya berdasarkan data penjualan pada periode sebelumnya.
Regresi Kernel Lokal Linier merupakan pengembangan dari Regresi Kernel Smoothing, dimana perbedaannya adalah untuk meningkatkan performa regresi pada bagian awal dan akhir data, dimana biasanya nilai tersebut akan diambil. Teknik perhitungan yang digunakan berbeda dengan Regresi Kernel yang normal, tetapi memiliki hasil yang perhitungan yang mirip, hanya berbeda pada nilai awal dan akhir data saja.

Regresi Kernel adalah salah satu cabang ilmu statistika untuk memperkirakan harapan terkondisi dari sebuah peubah acak. Contoh yang dibahas kali ini adalah mengenai memperkirakan penjualan pada periode berikutnya berdasarkan data penjualan pada periode sebelumnya.
Regresi Kernel Multivariate merupakan pengembangan dari Regresi Kernel Smoothing, dimana keunggulannya adalah jumlah peubah acak yang digunakan bisa lebih dari 1, dan biasanya digunakan untuk melakukan smoothing terhadap gambar atau pola 2D atau 3D yang memiliki noise karena beberapa faktor lain. Tetapi dalam kasus ini tetap hanya akan digunakan 1 peubah acak saja, agar dapat dibandingkan dengan Regresi Kernel yang normal.

Regresi Kernel adalah salah satu cabang ilmu statistika untuk memperkirakan harapan terkondisi dari sebuah peubah acak. Contoh yang dibahas kali ini adalah mengenai memperkirakan penjualan pada periode berikutnya berdasarkan data penjualan pada periode sebelumnya.
Tujuan utama dari Regresi Kernel adalah untuk menemukan hubungan / relasi non-linier diantara pasangan peubah acak x dan y. Regresi Kernel tidak membutuhkan parameter tambahan dalam perhitungan, dan relasi non-linier antara x dan y dapat diinterpretasikan dengan rumus:
{E}(Y | X) = m(X)
dimana m adalah fungsi yang tidak membutuhkan parameter lain.

Algoritma Unscented Kalman Filter adalah salah satu algoritma yang digunakan untuk memperkirakan hasil berikutnya berdasarkan data-data yang sudah ada sebelumnya. Contoh yang dibahas kali ini adalah mengenai memperkirakan penjualan pada periode berikutnya berdasarkan data penjualan pada periode sebelumnya.
Algoritma ini merupakan pengembangan dari Algoritma Kalman Filter dan memiliki kedekatan dengan Algoritma Extended Kalman Filter yang sudah dijelaskan sebelumnya. Algoritma ini bekerja dengan menggunakan data sample yang disebut dengan sigma yang kemudian akan dilakukan proses transformasi Unscented untuk mendapatkan estimasi rata-rata dan kovarians non-linier. Langkah perhitungan berikutnya adalah melakukan filter menggunakan variabel tersebut.

Algoritma Extended Kalman Filter adalah salah satu algoritma yang digunakan untuk memperkirakan hasil berikutnya berdasarkan data-data yang sudah ada sebelumnya. Contoh yang dibahas kali ini adalah mengenai memperkirakan penjualan pada periode berikutnya berdasarkan data penjualan pada periode sebelumnya.
Algoritma ini merupakan pengembangan dari Algoritma Kalman Filter yang sudah dijelaskan sebelumnya. Algoritma ini digunakan dalam permasalahan non-linier, dan yang akan dilakukan algoritma ini adalah melakukan linearisasi pada rata-rata dan kovarians non-linier dan kemudian melakukan proses filter menggunakan variabel tersebut.

Algoritma Kalman Filter adalah salah satu algoritma yang digunakan untuk memperkirakan hasil berikutnya berdasarkan data-data yang sudah ada sebelumnya. Contoh yang dibahas kali ini adalah mengenai memperkirakan penjualan pada periode berikutnya berdasarkan data penjualan pada periode sebelumnya.
Algoritma ini biasanya digunakan untuk melakukan estimasi data sebenarnya berdasarkan data observasi yang mengandung noise dan beberapa faktor ketidaktepatan lainnnya, dan itulah arti kata “Filter” pada algoritma ini. Tetapi dalam kasus ini, algoritma ini akan digunakan untuk memprediksikan nilai kedepannya, yang diperoleh dari nilai filter pada akhir perhitungan.

Algoritma Jonker-Volgenant adalah salah satu algoritma yang digunakan untuk pencarian jalur. Contoh yang dibahas kali ini adalah mengenai pencarian jalur yang melalui semua titik dengan biaya terendah.
Algoritma ini merupakan pengembangan dari Algoritma Hungaria yang sudah dijelaskan sebelumnya, dan diklaim lebih efisien dari algoritma pendahulunya. Algoritma ini juga menggunakan Algoritma Dijkstra yang hanya akan dilakukan apabila memenuhi kondisi tertentu. Pada contoh kasus ini, proses perhitungan tidak melalui Algoritma Dijkstra karena tidak memenuhi kondisi tersebut, tetapi contoh skripnya tetap disertakan agar dapat digunakan pada contoh kasus yang lain.

Algoritma Edmonds adalah salah satu algoritma yang digunakan untuk pencarian jalur. Contoh yang dibahas kali ini adalah mengenai pencarian jalur yang melalui semua titik dengan biaya terendah.
Algoritma ini dapat digunakan untuk menghitung jalur searah, yaitu biaya antara titik A dan titik B berbeda dengan biaya antara titik B dan titik A. Tetapi dalam contoh kasus dibawah ini akan digunakan jalur yang tidak memiliki arah, sehingga biaya dari titik A dan titik B akan dianggap sama dengan biaya dari titik B dan titik A.

Algoritma Spectral Clustering adalah salah satu algoritma yang digunakan untuk klasifikasi atau pengelompokan data. Contoh yang dibahas kali ini adalah mengenai penentuan jurusan siswa berdasarkan nilai skor siswa.
Ada beberapa teknik Spectral Clustering yang dapat digunakan, dan teknik yang digunakan pada kali ini adalah teknik Matriks Q. Perhitungan Eigen Vector didapatkan dari Matriks Kemiripan (A), dan pengelompokan data dilakukan menggunakan matriks Q yang diperoleh dari matriks normalisasi Eigen Vector