Blog

Algoritma CSO (Chicken Swarm Optimization) adalah salah satu algoritma optimasi yang dapat digunakan untuk pengambilan keputusan. Contoh yang dibahas kali ini adalah mengenai pencarian posisi dengan pengembalian nilai fungsi maksimal. (more…)

Algoritma CSO (Cat Swarm Optimization) adalah salah satu algoritma optimasi yang dapat digunakan untuk pengambilan keputusan. Contoh yang dibahas kali ini adalah mengenai pencarian posisi dengan pengembalian nilai fungsi maksimal. (more…)

Algoritma Elman Network adalah salah satu algoritma berbasis jaringan saraf yang dapat digunakan untuk pengambilan keputusan. Contoh yang dibahas kali ini adalah mengenai penentuan penerimaan pengajuan kredit sepeda motor baru berdasarkan kelompok data yang sudah ada.
Inti perhitungan pada algoritma berbasis jaringan adalah untuk mencari bobot terbaik dari contoh / sampel data yang sudah ada. Karena hasil pada contoh data sudah diketahui, maka nilai bobot akan dihitung berdasarkan nilai hasil yang sudah tersedia, sampai ditemukan nilai bobot terbaik yang paling banyak cocok apabila dihitungkan kembali pada data awal. Kemudian nilai bobot tersebut dapat digunakan untuk menghitung data lain yang tidak diketahui hasilnya. Pada kasus ini, metode yang digunakan untuk mencari bobot terbaik adalah menggunakan metode PSO (Particle Swarm Optimization)
Algoritma ini merupakan pengembangan dari Algoritma JST (Jaringan Saraf Tiruan). Perbedaan yang paling utama dari algoritma pendahulunya adalah adanya sebuah lapisan aluran yang menyimpan nilai bobot pada perhitungan sebelumnya, dan akan dimasukkan sebagai salah satu nilai input pada perulangan berikutnya. Sehingga nilai output bergantung dari nilai input dan bobot yang diperoleh dari perhitungan sebelumnya. Dengan sistem seperti ini, algoritma ini dapat memperkirakan nilai yang sangat bergantung dari nilai-nilai sebelumnya, sebagai contoh adalah pengenalan pola tulisan tangan, karena nilai dari sebuah huruf sangat bergantung dari nilai perhitungan sebelumnya untuk huruf tersebut.

Algoritma SOM (Self Organizing Maps) adalah salah satu algoritma berbasis jaringan saraf yang dapat digunakan untuk pengambilan keputusan. Contoh yang dibahas kali ini adalah mengenai penentuan penerimaan pengajuan kredit sepeda motor baru berdasarkan kelompok data yang sudah ada.
Inti perhitungan pada algoritma berbasis jaringan adalah untuk mencari bobot terbaik dari contoh / sampel data yang sudah ada. Karena hasil pada contoh data sudah diketahui, maka nilai bobot akan dihitung berdasarkan nilai hasil yang sudah tersedia, sampai ditemukan nilai bobot terbaik yang paling banyak cocok apabila dihitungkan kembali pada data awal. Kemudian nilai bobot tersebut dapat digunakan untuk menghitung data lain yang tidak diketahui hasilnya. Pada kasus ini, metode yang digunakan untuk mencari bobot terbaik adalah menggunakan metode PSO (Particle Swarm Optimization)
Berbeda dengan algoritma berbasis jaringan saraf sebelumnya yang hasil output pada contoh datanya sudah diketahui, algoritma ini tidak memerlukan nilai output pada data yang akan dipelajari, dan teknik ini dinamakan unsupervised learning. Algoritma ini akan menghasilkan representasi dari data input dengan dimensi rendah (biasanya 2 dimensi) kedalam sebuah ruang yang biasa disebut map. Jika algoritma berbasis jaringan saraf lainnya menggunakan teknik koreksi nilai kesalahan untuk mencocockan data dengan hasil akhir, maka algoritma ini menggunakan sistem saraf pusat dan melakukan update bobot pada saraf disekitar saraf pusat.

Dalam statistika, regresi linier adalah sebuah pendekatan untuk memodelkan hubungan antara variabel terika Y dan satu atau lebih variabel beas yang disebut X. Salah satu kegunaan dari regresi linier adalah untuk melakukan prediksi berdasarkan data-data yang telah dimiliki sebelumnya Contoh yang dibahas kali ini adalah mengenai penentuan penerimaan pengajuan kredit sepeda motor baru berdasarkan kelompok data yang sudah ada.
Ada beberapa cara menyelesaikan permasalahan regresi linier, salah satunya adalah melalui teknik Dekomposisi Polar. Teknik ini mendekomposisi sebuah matriks A menjadi 2 matriks U dan P. U adalah matriks unitary, dan P adalah matriks Hermitian positif semi-definitif. Secara kasar, dekomposisi ini membagi A menjadi komponen yang tersebar dalam sumbu axis ortogonal yang diwakili dengan P, dan tingkat rotasi yang diwakili dengan U

Dalam statistika, regresi linier adalah sebuah pendekatan untuk memodelkan hubungan antara variabel terika Y dan satu atau lebih variabel beas yang disebut X. Salah satu kegunaan dari regresi linier adalah untuk melakukan prediksi berdasarkan data-data yang telah dimiliki sebelumnya Contoh yang dibahas kali ini adalah mengenai penentuan penerimaan pengajuan kredit sepeda motor baru berdasarkan kelompok data yang sudah ada.
Ada beberapa cara menyelesaikan permasalahan regresi linier, salah satunya adalah melalui teknik Dekomposisi Eigen. Teknik ini mendekomposisi sebuah matriks A menjadi 2 matriks V dan D. V adalah matriks persegi yang masing-masing kolomnya berisi eigenvector, dan D adalah matriks persegi dengan nilai pada elemen diagonal adalah merupakan eigenvalue dari masing-masing baris data.

Dalam statistika, regresi linier adalah sebuah pendekatan untuk memodelkan hubungan antara variabel terika Y dan satu atau lebih variabel beas yang disebut X. Salah satu kegunaan dari regresi linier adalah untuk melakukan prediksi berdasarkan data-data yang telah dimiliki sebelumnya Contoh yang dibahas kali ini adalah mengenai penentuan penerimaan pengajuan kredit sepeda motor baru berdasarkan kelompok data yang sudah ada.
Ada beberapa cara menyelesaikan permasalahan regresi linier, salah satunya adalah melalui teknik SVD. Teknik ini mendekomposisi sebuah matriks A menjadi 3 matriks U, S, dan V. U adalah matriks unitary kiri, yang disebut juga vektor singular kiri, S adalah matriks persegi dengan nilai positif real pada elemen diagonal, dan V adalah matriks unitary kanan, yang disebut juga vektor singular kanan.

Dalam statistika, regresi linier adalah sebuah pendekatan untuk memodelkan hubungan antara variabel terika Y dan satu atau lebih variabel beas yang disebut X. Salah satu kegunaan dari regresi linier adalah untuk melakukan prediksi berdasarkan data-data yang telah dimiliki sebelumnya Contoh yang dibahas kali ini adalah mengenai penentuan penerimaan pengajuan kredit sepeda motor baru berdasarkan kelompok data yang sudah ada.
Ada beberapa cara menyelesaikan permasalahan regresi linier, salah satunya adalah melalui teknik Dekomposisi Cholesky. Teknik ini mendekomposisi sebuah matriks A menjadi sebuah matriks L, yaitu matriks segitiga bawah. Teknik ini juga memiliki batasan bahwa matriks input harus dalam keadaan simetris dan positif definite. Matriks simetris adalah matriks yang hasil transpos sama dengan matriks awal. Matriks positif definite adalah matriks yang semua elemennya bernilai positif.

Dalam statistika, regresi linier adalah sebuah pendekatan untuk memodelkan hubungan antara variabel terika Y dan satu atau lebih variabel beas yang disebut X. Salah satu kegunaan dari regresi linier adalah untuk melakukan prediksi berdasarkan data-data yang telah dimiliki sebelumnya Contoh yang dibahas kali ini adalah mengenai penentuan penerimaan pengajuan kredit sepeda motor baru berdasarkan kelompok data yang sudah ada.
Ada beberapa cara menyelesaikan permasalahan regresi linier, salah satunya adalah melalui teknik Dekomposisi QR. Teknik ini disebut juga faktorisasi QR, dan yang dilakukan adalah mendekomposisi sebuah matriks A menjadi 2 matriks Q dan R. Q adalah matriks ortogonal dan R adalah matriks segitiga atas. Matriks ortogonal adalah matriks yang matriks yang memenuhi persamaan Q’*Q = I, dimana I adalah matriks identitas, yaitu matriks yang berisi nilai 1 untuk diagonal matriks tersebut.

Dalam statistika, regresi linier adalah sebuah pendekatan untuk memodelkan hubungan antara variabel terika Y dan satu atau lebih variabel beas yang disebut X. Salah satu kegunaan dari regresi linier adalah untuk melakukan prediksi berdasarkan data-data yang telah dimiliki sebelumnya Contoh yang dibahas kali ini adalah mengenai penentuan penerimaan pengajuan kredit sepeda motor baru berdasarkan kelompok data yang sudah ada.
Ada beberapa cara menyelesaikan permasalahan regresi linier, salah satunya adalah melalui teknik Dekomposisi LU. Teknik ini disebut juga faktorisasi LU, dan yang dilakukan adalah mendekomposisi sebuah matriks A menjadi 2 matriks L dan U. L adalah matriks segitiga bawah dan U adalah matriks segitiga atas.