scholarly journals Prediksi Indeks Harga Saham Gabungan (IHSG) Menggunakan Algoritma Neural Network

2018 ◽  
Vol 4 (1) ◽  
pp. 24
Author(s):  
Imam Halimi ◽  
Wahyu Andhyka Kusuma
Keyword(s):  
Neural Network ◽  
Data Mining ◽  
Linear Regression ◽  
Mean Squared Error ◽  
Composite Index ◽  
T Test ◽  
Sliding Windows ◽  
Root Mean Squared Error ◽  
Squared Error

Investasi saham merupakan hal yang tidak asing didengar maupun dilakukan. Ada berbagai macam saham di Indonesia, salah satunya adalah Indeks Harga Saham Gabungan (IHSG) atau dalam bahasa inggris disebut Indonesia Composite Index, ICI, atau IDX Composite. IHSG merupakan parameter penting yang dipertimbangkan pada saat akan melakukan investasi mengingat IHSG adalah saham gabungan. Penelitian ini bertujuan memprediksi pergerakan IHSG dengan teknik data mining menggunakan algoritma neural network dan dibandingkan dengan algoritma linear regression, yang dapat dijadikan acuan investor saat akan melakukan investasi. Hasil dari penelitian ini berupa nilai Root Mean Squared Error (RMSE) serta label tambahan angka hasil prediksi yang didapatkan setelah dilakukan validasi menggunakan sliding windows validation dengan hasil paling baik yaitu pada pengujian yang menggunakan algoritma neural network yang menggunakan windowing yaitu sebesar 37,786 dan pada pengujian yang tidak menggunakan windowing sebesar 13,597 dan untuk pengujian algoritma linear regression yang menggunakan windowing yaitu sebesar 35,026 dan pengujian yang tidak menggunakan windowing sebesar 12,657. Setelah dilakukan pengujian T-Test menunjukan bahwa pengujian menggunakan neural network yang dibandingkan dengan linear regression memiliki hasil yang tidak signifikan dengan nilai T-Test untuk pengujian dengan windowing dan tanpa windowing hasilnya sama, yaitu sebesar 1,000.

City Manager Compensation and Performance

2013 ◽  
pp. 325-332
Author(s):  
Jean X. Zhang
Keyword(s):  
Neural Network ◽  
Linear Regression ◽  
Regression Model ◽  
Nonlinear Model ◽  
Linear Regression Model ◽  
Mean Squared Error ◽  
City Manager ◽  
Squared Error ◽  
And Performance ◽  
Manager Compensation

This chapter proposes a nonlinear artificial Higher Order Neural Network (HONN) model to study the relation between manager compensation and performance in the governmental sector. Using a HONN simulator, this study analyzes city manager compensation as a function of local government performance, and compares the results with those from a linear regression model. This chapter shows that the nonlinear model generated from HONN has a smaller Root Mean Squared Error (Root MSE) of 0.0020 as compared to 0.06598 from a linear regression model. This study shows that artificial HONN is an effective tool in modeling city manager compensation.

scholarly journals PERBANDINGAN METODE REGRESI LINEAR DAN NEURAL NETWORK BACKPROPAGATION DALAM PREDIKSI NILAI UJIAN NASIONAL SISWA SMP MENGGUNAKAN SOFTWARE R

JOUTICA ◽  
2020 ◽  
Vol 5 (1) ◽  
pp. 331
Author(s):  
Masruroh Masruroh
Keyword(s):  
Neural Network ◽  
Mean Squared Error ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Output Data ◽  
Root Mean Squared Error ◽  
Absolute Percentage Error ◽  
Squared Error

Metode regresi linear dan neural network backpropagation merupakan metode yang kerap digunakan dalam model prediksi. Penelitian ini bertujuan untuk membandingkan akurasi metode regresi linear dan backpropagation dalam prediksi nilai Ujian Nasional siswa SMP. Data yang digunakan berupa data nilai ujian akhir semester dan ujian sekolah sebagai input dan nilai ujian nasional sebagai output. Data didapatkan dari SMPN 1 dan SMPN 2 Lamongan.. Jumlah dataset sebanyak 701 dibagi menjadi 75% data training dan 25% data testing. Simulasi prediksi dilakukan menggunakan software R. Parameter akurasi yang digunakan adalah Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan model prediksi menggunakan metode regresi linear menghasilkan RMSE sebesar 9,04 dan MAPE sebesar 3,94%, sedangkan model prediksi menggunakan backpropagation menghasilkan RMSE sebesar 7,28 dan MAPE sebesar 0,55%. Dengan demikian dalam penelitian ini metode neural network backpropagation memiliki akurasi yang lebih baik dalam prediksi nilai Ujian Nasional siswa SMP.

scholarly journals Penerapan Aplikasi RapidMiner Untuk Prediksi Nilai Tukar Rupiah Terhadap US Dollar Dengan Metode Linear Regression

2021 ◽  
Vol 7 (1) ◽  
pp. 8-17
Author(s):  
Vincentius Riandaru Prasetyo ◽  
Hamzah Lazuardi ◽  
Aldo Adhi Mulyono ◽  
Christian Lauw
Keyword(s):  
Linear Regression ◽  
Mean Squared Error ◽  
Root Mean Squared Error ◽  
Squared Error ◽  
Us Dollar

Kurs adalah sebuah nilai mata uang suatu negara terhadap mata uang lain. Oleh karena itu, kurs memiliki dua komponen utama yaitu mata uang domestik, dan mata uang asing. Mata uang asing yang sering digunakan sebagai patokan nilai tukar adalah US Dollar. Di berbagai negara termasuk Indonesia, nilai tukar mata uang terhadap US Dollar sangat mempengaruhi perekonomian yang berjalan, terutama harga jual suatu barang. Selain itu, nilai tukar mata uang juga berpengaruh terhadap keputusan seseorang untuk berinvestasi, baik saham, emas, atau yang lain. Penelitian ini mencoba memprediksi nilai tukar rupiah terhadap US Dollar dengan memanfaatkan aplikasi RapidMiner. Aplikasi tersebut merupakan aplikasi freeware yang didalamnya terdapat berbagai macam metode pengolahan data yang siap untuk digunakan secara mudah. Penelitian ini menerapkan metode linear regression yang terdapat pada aplikasi RapidMiner. Metode tersebut akan mengolah data-data yang sudah ada sebelumnya untuk membentuk suatu persamaan yang akan digunakan untuk prediksi nilai tukar rupiah terhadap US Dollar. Atribut yang digunakan untuk melakukan prediksi adalah nilai pembukaan, perubahan, tertinggi, dan terendah dari nilai tukar rupiah terhadap US Dollar. Data yang digunakan pada penelitian ini berasal dari situs investing.com. Dari hasil pengujian yang dilakukan, didapatkan akurasi metode linear regression sebesar 95% dengan nilai threshold adalah 30 rupiah. Selain itu, nilai root mean squared error yang didapatkan sebesar 14,951.

Real-Time Wellhead Bending Moment Measurement Using Motion Reference Unit (MRU) Sensors and Machine Learning

2018 ◽  
Author(s):  
Rohit Srikonda ◽  
Rune Haakonsen ◽  
Massimiliano Russo ◽  
Peri Periyasamy
Keyword(s):  
Neural Network ◽  
Time Series ◽  
Real Time ◽  
Mean Squared Error ◽  
Bending Moment ◽  
Sensor Data ◽  
Fe Model ◽  
Root Mean Squared Error ◽  
Squared Error ◽  
Tension Time

In order to facilitate real-time monitoring of accumulated wellhead fatigue damage, it is necessary to measure the wellhead bending moment in real-time. This paper presents a novel method to estimate the wellhead bending moment in realtime using acceleration and inclination data from the motion reference unit (MRU) sensors installed on BOP and LRJ, riser tension data and a trained neural network model. The method proposed in this paper is designed with a Recursive Neural Network (RNN) model to be trained to estimate the wellhead bending moment in real-time with high accuracy based on motion MRU sensor data and riser tension time series of a few previous cycles. In addition to the power of modeling complex nonlinearities, RNNs provide the advantage of better capturing the dynamic effects by learning to recognize the patterns in the sensor data and riser tension time series. The RNN model is trained using virtual sensor data and wellhead bending moment from a finite element (FE) model of the drilling riser subjected to irregular wave time domain analyses based on a training matrix with limited number of significant height (Hs) and peak period (Tp) combinations. Once trained, tested and deployed, the RNN model can make real-time estimation of the wellhead bending moment based on MRU sensor data and riser tension time series. The RNN model can be an efficient and accurate alternative to a physical model based on the indirect method for real-time calculation of wellhead bending moment using real-time sensor data. A case study is presented to explain the training procedures for the RNN model. A set of test cases that are not included in the training dataset are used to demonstrate the accuracy of the RNN model using Root Mean Squared Error (RMSE), Normalized Root Mean Squared Error (NRMSE) and coefficient of determination (R2) as a metrics.

scholarly journals Rainfall Analysis and Forecasting Using Deep Learning Technique

2021 ◽  
Vol 2 (2) ◽  
pp. 1-11
Author(s):  
Pragati Kanchan ◽  
Keyword(s):  
Neural Network ◽  
Deep Learning ◽  
Mean Squared Error ◽  
Predictive Accuracy ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Root Mean Squared Error ◽  
Rainfall Prediction ◽  
Absolute Percentage Error ◽  
Squared Error

Rainfall forecasting is very challenging due to its uncertain nature and dynamic climate change. It's always been a challenging task for meteorologists. In various papers for rainfall prediction, different Data Mining and Machine Learning (ML) techniques have been used. These techniques show better predictive accuracy. A deep learning approach has been used in this study to analyze the rainfall data of the Karnataka Subdivision. Three deep learning methods have been used for prediction such as Artificial Neural Network (ANN) - Feed Forward Neural Network, Simple Recurrent Neural Network (RNN), and the Long Short-Term Memory (LSTM) optimized RNN Technique. In this paper, a comparative study of these three techniques for monthly rainfall prediction has been given and the prediction performance of these three techniques has been evaluated using the Mean Absolute Percentage Error (MAPE%) and a Root Mean Squared Error (RMSE%). The results show that the LSTM Model shows better performance as compared to ANN and RNN for Prediction. The LSTM model shows better performance with mini-mum Mean Absolute Percentage Error (MAPE%) and Root Mean Squared Error (RMSE%).

scholarly journals Prediksi Inflasi Indonesia Memakai Model ARIMA dan Artificial Neural Network

2019 ◽  
Vol 5 (1) ◽  
Author(s):  
Wahyudin S
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Analysis Of Variance ◽  
Mean Squared Error ◽  
Statistics Analysis ◽  
Root Mean Squared Error ◽  
Squared Error ◽  
Artificial Neural ◽  
Artificial Neural Network Ann ◽  
Hidden Layer

Inflasi merupakan indikator makro ekonomi yang sangat penting. Berbagai macam metoda prediksi inflasi Indonesia telah dipublikasikan. Namun pencarian metoda prediksi inflasi yang lebih akurat masih menjadi topik menarik. Pada penulisan ini diusulkan sebuah metoda baru untuk prediksi inflasi memakai model ARIMA dan Artificial Neural Network (ANN). Data inflasi yang digunakan adalah data inflasi bulanan year-on-year dari tahun 2010 sampai dengan tahun 2018 yang diterbitkan oleh Badan Pusat Statistik (BPS). Pertama dibuat 2 model ARIMA yaitu model ARIMA tanpa siklus tahunan dan dengan siklus tahunan. Prosedur standar dan diagostics test telah dilakukan antara lain: summary of statistics, analysis of variance (ANOVA), significance of coefficients test, residuals normality, heterocesdacity, dan stability. Dari hasil perbandingan kinerja memakai Root Mean Squared Error (RMSE) diperoleh bahwa model ARIMA dengan siklus tahunan lebih baik. Model tersebut berupa model ARIMA (2,1,0) (2,0,0) [12]. Kemudian, untuk meningkatkan kinerja prediksi inflasi, ANN telah dibuat berbasis model ARIMA tersebut. Model ANN memakai satu hidden layer dan dua neuron. Hasil pengujian menunjukkan bahwa model ANN menghasilkan RMSE yang lebih kecil daripada model ARIMA (2,1,0) (2,0,0) [12]. Hal ini kemungkinan disebabkan oleh kemampuan mengolah hubungan nonlinear antara variabel target dan variabel penjelas.

scholarly journals Algoritma Deep Learning-LSTM untuk Memprediksi Umur Transformator

2021 ◽  
Vol 8 (3) ◽  
pp. 539
Author(s):  
Ayu Ahadi Ningrum ◽  
Iwan Syarif ◽  
Agus Indra Gunawan ◽  
Edi Satriyanto ◽  
Rosmaliati Muchtar
Keyword(s):  
Quality Of Service ◽  
Deep Learning ◽  
Linear Regression ◽  
Multilayer Perceptron ◽  
Mean Squared Error ◽  
Series Data ◽  
Gradient Boosting ◽  
Root Mean Squared Error ◽  
Squared Error

<p>Kualitas dan ketersediaan pasokan listrik menjadi hal yang sangat penting. Kegagalan pada transformator menyebabkan pemadaman listrik yang dapat menurunkan kualitas layanan kepada pelanggan. Oleh karena itu, pengetahuan tentang umur transformator sangat penting untuk menghindari terjadinya kerusakan transformator secara mendadak yang dapat mengurangi kualitas layanan pada pelanggan. Penelitian ini bertujuan untuk mengembangkan aplikasi yang dapat memprediksi umur transformator secara akurat menggunakan metode <em>Deep Learning-LSTM. LSTM </em>adalah metode yang dapat digunakan untuk mempelajari suatu pola pada data deret waktu. Data yang digunakan dalam penelitian ini bersumber dari 25 unit transformator yang meliputi data dari sensor arus, tegangan, dan suhu. Analisis performa yang digunakan untuk mengukur kinerja LSTM adalah <em>Root Mean Squared Error</em> (RMSE) dan <em>Squared Correlation (SC</em>). Selain LSTM, penelitian ini juga menerapkan <em>algoritma Multilayer Perceptron, Linear Regression,</em> dan <em>Gradient Boosting Regressor</em> sebagai algoritma pembanding.  Hasil eksperimen menunjukkan bahwa LSTM mempunyai kinerja yang sangat bagus setelah dilakukan pencarian komposisi data, seleksi fitur menggunakan algoritma KBest dan melakukan percobaan beberapa variasi parameter. Hasil penelitian menunjukkan bahwa metode <em>Deep Learning-LSTM</em> mempunyai kinerja yang lebih baik daripada 3 algoritma lain yaitu nilai RMSE= 0,0004 dan nilai <em>Squared Correlation</em>= 0,9690.</p><p> </p><p><em><strong>Abstract</strong></em></p><p><em></em><em>The quality and availability of the electricity supply is very important. Failures in the transformer cause power outages which can reduce the quality of service to customers. Therefore, knowledge of transformer life is very important to avoid sudden transformer damage which can reduce the quality of service to customers. This study aims to develop applications that can predict transformer life accurately using the Deep Learning-LSTM method. LSTM is a method that can be used to study a pattern in time series data. The data used in this research comes from 25 transformer units which include data from current, voltage, and temperature sensors. The performance analysis used to measure LSTM performance is Root Mean Squared Error (RMSE) and Squared Correlation (SC). Apart from LSTM, this research also applies the Multilayer Perceptron algorithm, Linear Regression, and Gradient Boosting Regressor as a comparison algorithm. The experimental results show that LSTM has a very good performance after searching for the composition of the data, selecting features using the KBest algorithm and experimenting with several parameter variations. The results showed that the Deep Learning-LSTM method had better performance than the other 3 algorithms, namely the value of RMSE = 0.0004 and the value of Squared Correlation = 0.9690.</em></p>

Use of reflectance spectroscopy to estimate the organic carbon and CaCO3 contents of soils

2012 ◽  
Vol 61 (2) ◽  
pp. 277-290 ◽  
Author(s):  
Ádám Csorba ◽  
Vince Láng ◽  
László Fenyvesi ◽  
Erika Michéli
Keyword(s):  
Organic Carbon ◽  
Least Squares ◽  
Partial Least Squares ◽  
Partial Least Squares Regression ◽  
Mean Squared Error ◽  
Reflectance Spectroscopy ◽  
Least Squares Regression ◽  
Root Mean Squared Error ◽  
Squared Error

Napjainkban egyre nagyobb igény mutatkozik olyan technológiák és módszerek kidolgozására és alkalmazására, melyek lehetővé teszik a gyors, költséghatékony és környezetbarát talajadat-felvételezést és kiértékelést. Ezeknek az igényeknek felel meg a reflektancia spektroszkópia, mely az elektromágneses spektrum látható (VIS) és közeli infravörös (NIR) tartományában (350–2500 nm) végzett reflektancia-mérésekre épül. Figyelembe véve, hogy a talajokról felvett reflektancia spektrum információban nagyon gazdag, és a vizsgált tartományban számos talajalkotó rendelkezik karakterisztikus spektrális „ujjlenyomattal”, egyetlen görbéből lehetővé válik nagyszámú, kulcsfontosságú talajparaméter egyidejű meghatározása. Dolgozatunkban, a reflektancia spektroszkópia alapjaira helyezett, a talajok ösz-szetételének meghatározását célzó módszertani fejlesztés első lépéseit mutatjuk be. Munkánk során talajok szervesszén- és CaCO3-tartalmának megbecslését lehetővé tévő többváltozós matematikai-statisztikai módszerekre (részleges legkisebb négyzetek módszere, partial least squares regression – PLSR) épülő prediktív modellek létrehozását és tesztelését végeztük el. A létrehozott modellek tesztelése során megállapítottuk, hogy az eljárás mindkét talajparaméter esetében magas R2értéket [R2(szerves szén) = 0,815; R2(CaCO3) = 0,907] adott. A becslés pontosságát jelző közepes négyzetes eltérés (root mean squared error – RMSE) érték mindkét paraméter esetében közepesnek mondható [RMSE (szerves szén) = 0,467; RMSE (CaCO3) = 3,508], mely a reflektancia mérési előírások standardizálásával jelentősen javítható. Vizsgálataink alapján arra a következtetésre jutottunk, hogy a reflektancia spektroszkópia és a többváltozós kemometriai eljárások együttes alkalmazásával, gyors és költséghatékony adatfelvételezési és -értékelési módszerhez juthatunk.

Comparative study of the pencil-and-paper and digital formats of the Spanish DARS scale

2021 ◽  
pp. 1-21
Author(s):  
Elsa Arrua-Duarte ◽  
Marta Migoya-Borja ◽  
Igor Barahona ◽  
Lena C. Quilty ◽  
Sakina J. Rizvi ◽  
...  
Keyword(s):  
Rating Scale ◽  
Mean Squared Error ◽  
Intraclass Correlation ◽  
Test Validity ◽  
Wilcoxon Test ◽  
Digital Version ◽  
Root Mean Squared Error ◽  
Squared Error ◽  
Digital Format ◽  
Paper And Pencil

Abstract Objective: The Dimensional Anhedonia Rating Scale (DARS) is a novel questionnaire to assess anhedonia of recent validation. In this work we aim to study the equivalence between the traditional paper-and-pencil and the digital format of DARS. Methods: 69 patients filled the DARS in a paper-based and digital versions. We assessed differences between formats (Wilcoxon test), validity of the scales (Kappa and Intraclass Correlation Coefficients), and reliability (Cronbach’s alpha and Guttman’s coefficient). We calculated the Comparative Fit Index and the Root Mean Squared Error associated with the proposed one-factor structure. Results: Total scores were higher for paper-based format. Significant differences between both formats were found for three items. The weighted Kappa coefficient was approximately 0.40 for most of the items. Internal consistency was greater than 0.94, and the Intraclass Correlation Coefficient for the digital version was 0.95 and 0.94 for the paper-and-pencil version (F= 16.7, p < 0.001). Comparative Adjustment Index was 0.97 for the digital DARS and 0.97 for the paper-and-pencil DARS, and Root Mean Squared Error was 0.11 for the digital DARS and 0.10 for the paper-and-pencil DARS. Conclusion: The digital DARS is consistent in many respects to the paper-and-pencil questionnaire, but equivalence with this format cannot be assumed without caution.

scholarly journals Forecasting Wind Power Generation Using Artificial Neural Network: “Pawan Danawi”—A Case Study from Sri Lanka

2021 ◽  
Vol 2021 ◽  
pp. 1-10
Author(s):  
Amila T. Peiris ◽  
Jeevani Jayasinghe ◽  
Upaka Rathnayake
Keyword(s):  
Neural Network ◽  
Power Generation ◽  
Wind Power ◽  
Wind Farm ◽  
Mean Squared Error ◽  
Wind Power Generation ◽  
Training Algorithms ◽  
Training Algorithm ◽  
Squared Error ◽  
Ann Models

Wind power, as a renewable energy resource, has taken much attention of the energy authorities in many countries, as it is used as one of the major energy sources to satisfy the ever-increasing energy demand. However, careful attention is needed in identifying the wind power potential in a particular area due to climate changes. In this sense, forecasting both wind power generation and wind power potential is essential. This paper develops artificial neural network (ANN) models to forecast wind power generation in “Pawan Danawi”, a functioning wind farm in Sri Lanka. Wind speed, wind direction, and ambient temperature of the area were used as the independent variable matrices of the developed ANN models, while the generated wind power was used as the dependent variable. The models were tested with three training algorithms, namely, Levenberg-Marquardt (LM), Scaled Conjugate Gradient (SCG), and Bayesian Regularization (BR) training algorithms. In addition, the model was calibrated for five validation percentages (5% to 25% in 5% intervals) under each algorithm to identify the best training algorithm with the most suitable training and validation percentages. Mean squared error (MSE), coefficient of correlation (R), root mean squared error ratio (RSR), Nash number, and BIAS were used to evaluate the performance of the developed ANN models. Results revealed that all three training algorithms produce acceptable predictions for the power generation in the Pawan Danawi wind farm with R > 0.91, MSE < 0.22, and BIAS < 1. Among them, the LM training algorithm at 70% of training and 5% of validation percentages produces the best forecasting results. The developed models can be effectively used in the prediction of wind power at the Pawan Danawi wind farm. In addition, the models can be used with the projected climatic scenarios in predicting the future wind power harvest. Furthermore, the models can acceptably be used in similar environmental and climatic conditions to identify the wind power potential of the area.

Sign in / Sign up

Export Citation Format

Share Document