jurnal masyarakat informatika indonesiaarsip.e-jmii.org/download/jmii vol 3 2018/jmii vol 3 no 1...

JURNAL MASYARAKAT INFORMATIKA INDONESIA

Vol 3 No 1 Tahun 2018

AUDIT APLIKASI ACCURATE DENGAN KERANGKA KERJA COBIT 41 PADA PT ALFALAND

Eviany Praisandi Yoel Christian Johanes Fernandes Andry

APLIKASI VIRTUAL REALITY 3D SEBAGAI MEDIA PROMOSI (STUDI KASUS POLITEKNIK

TEDC BANDUNG)

Mamay Syani1 Heru Usmansyah

SISTEM REKOMENDASI PAKET WISATA DENGAN MENGGUNAKAN METODE DECISION

TREE

Umi Hayati

TEKNIK KOMPUTER FORENSIK PADA REGISTRY WINDOWS

Feri Sulianta

SISTEM MANAJEMEN KONTROL UNTUK PT PILAR WAHANA ARTHA MENGGUNAKAN

METODE PENJADWALAN PERT

Egi Permana Suhendri Hermawaty

PEMANFAATAN TEKNOLOGI GREEN HOUSE SEBAGAI METODE PENJEMURAN UNTUK

PENINGKATAN MUTU PENJUALAN GREEN BEAN KOPI ARABICA DAN ROBUSTA SEHINGGA

DAPAT MENINGKATKAN PENDAPATAN

Retno Paryati Ari Purno Wahyu

PREDICTION OF STOCK PRICE IN INVESTOR PORTFOLIOS WITH STOCK PRICE TIME

SERIES ANALYSIS USING ANN

Wibiksana Hendra Houw Liong Thee Fatchul Huda Arief

ANALISIS ERGONOMIKA PADA TEKNOLOGI INFORMASI DI SENTRA UMKM SEPATU

CIBADUYUT

Ima Ratnasari Chevy Herli Sumerli

ISSN 2541-5093

Jurnal ilmiah dengan bidang ilmu teknik informatika Terbit 3 kali dalam setahun setiap bulan

April Agustus dan Desember

Ketua Redaksi

Feri Sulianta

Dewan Redaksi

Fajri Rakhmat Umbara

Agung Santoso Pribadi

Afief Dias Pambudi

Edward Daniel Maspaitella

Iqbal Yulizar

Editor Pelaksana

Farhan Ferdian Mulyadi

Vito Hafiz

Ricko Firmansyah

Reviewer

Prof The Houw Liong (Institut Teknologi Bandung)

Hengky Honggo (STMIK MDP Palembang)

Bahar Riand Passa (Nanyang Technological University)

Dwi Aryanta (ITENAS)

Eko Cahyanto (Universitas Gunadarma)

Cholid Fauzi (ST Inten)

Wawan Hendrawan (ASMTB)

Titan Halim (Universitas BINUS)

Muksin Wijaya (STMIK LIKMI)

Muhhammad Sufyan Abdurrahman (Universitas TELKOM)

SEKRETARIAT

TIM KOMUNIKA INFORMATIKA

Jl Gatot Subroto 153 C Bandung 40273

e-mail jurnaljmiigmailcom redaksie-jmiiorg

website httpwwwe-jmiiorg

PENGANTAR REDAKSI

Merupakan pencapaian yang luarbiasa menggembirakan bagi kami untuk

menerbitkan JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII)

yang sifatnya independen sebagai wujud kontribusi kami kepada masyarakat

Indonesia dalam dunia edukasi Hal inilah yang menjadi landasan esensial kami

untuk menerbitkan jurnal ini Tujuan dari jurnal ini adalah sebagai wadah untuk

mensosialisasikan hasil penelitian dari berbagai pihak terkait ranah atau rumpun

ilmu Teknik Informatika dengan berbagai bidang kajian seperti Sistem Informasi

Basis Data Data Mining Jaringan Komputer amp Internet Kecerdasan Buatan

Komputer Forensik Pengolahan Citra Digital Humaniora yang melibatkan

Teknologi Informasi dan lainnya

Kami berterima kasih pada para penulis dan peneliti yang sudah berkontribusi

dalam mengirimkan hasil penelitiannya untuk diterbitkan pada jurnal ini Dan kami

pun mengajak masyarakat Indonesia untuk terlibat dalam terbitan konten jurnal ini

pada edisi ndash edisi selanjutnya

Akhir kata kami berkomitmen untuk terus meningkatkan kualitas jurnal ini dan

berharap agar jurnal ini dapat terus memberikan kontribusi bagi masyarakat

Indonesia dalam ranah keilmuan Informatika

REDAKSI


JMII Vol 3 No 1 Januari-April 2018 ISSN 2541-5093

4

Jurnal Nasional JMII 2018

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 3 No 1 Januari-April 2018 ISSN 2541-5093

5

AUDIT APLIKASI ACCURATE DENGAN KERANGKA KERJA COBIT

41 PADA PT ALFALAND

Eviany1 Praisandi Yoel Christian2 Johanes Fernandes Andry 3

Fakultas Teknis Dan Design Jurusan Sistem Informasi

Universitas Bunda Mulia

Jalan Lodan Raya Ancol Jakarta Indonesia 1eviany493gmailcom 2praisandiyoel22gmailcom 3jandrybundamuliaacid

Abstrak

PT Alfaland adalah perusahaan yang berawal dengan

nama PT Perkasa Internusa Mandiri (PT PIM) yang

kedepannya berganti menjadi PT Alfaland yang bergerak

dalam bidang pelayanan yang membantu industri

pariwisata Indonesia Saat ini PT Alfaland telah membantu

bisnis dalam berbagai macam perusahaan contohnya

seperti dalam pembukuan mereka dengan menggunakan

aplikasi Accurate aplikasi untuk proses akuntansi untuk

pembukuan perusahaan untuk menjaga data hilang Tujuan

pembelajaran ini adalah untuk melihat level keefektifasan

dan keefisiensian dari aplikasi yang digunakan sesuai

dengan visi dan misi perusahaan Perusahaan di audit

dengan menggunakan COBIT 41 framework Standar

COBIT 41 dapat membantu pengguna auditor dan

manajemen dalam menangani resiko bisnis kebutuhan

kontrol dan masalah teknis TI dalam operasi bisnis pada

domain Delivery amp Support (DS) dengan sub domain DS

05 DS 07 DS 11 DS 12 dan DS 13

Kata kunci Accurate Audit COBIT 41 PTAlfaLand

Delivery and Support

Abstract

PTAlfaland a company with the name of PT

Perkasa Internusa Mandiri (PT PIM) which later changed

into PTAlfaLand engaged in hospitality services that

support the tourism industry in Indonesia Currently PT

Alfaland has supported business processes in various

companies such as in their bookkeeping activities using

the Accurate application for Accounting processes used for

the enterprise bookkeeping process and to avoid data loss

The purpose of this study is to see the level to effectiveness

and efficiency of the applications used and implement with

the vision of the companys mission The company is

audited under the COBIT 41 framework standard cobit

41 can assist auditors users and management in addressing

business risks control needs and technical IT issues in

business operations on Delivery and Support (DS) domains

with sub domains DS 05 DS 07 DS 11 DS 12 DS 13

Keywords Accurate Audit COBIT 41 PTAlfaLand


I PENDAHULUAN

Penggunaan Teknologi informasi telah mempengaruhi

praktik akuntansi dan keuangan [1] yang digunakan pada

perusahaan salah satunya pada PTAlfaland yang bergerak

di bidang jasa perhotelan yang mendukung industry

parisiwata Indonesia yang yang bercabang di THE UBM

HOUSING Lodan Raya Jakarta Ancol [2] Perusahaan

tersebut melakukan system akuntansi berbasis desktop

computer Transaksi akuntansi yang sulit untuk dikerjakan

dapat diprogram lebih mudah hanya dengan menggunakan

Accurate Accounting Software

Suatu layanan Sistem Informasi dapat dikatakan baik

dan layak digunakan apabila sudah melewati standar

verifikasi tata kelola TI yang baik serta keefektifan

pengunaan aplikasi yang dinilai dari kepuasan pengguna

dari aplikasi tersebut TI sendiri berperan memberikan

(menyediakan) solusi demi mencapai peluang-peluang

yang ada Dari penjelasan diatas dapat disimpulkan bahwa

perlu-nya penilaian dari aplikasi yang telah

diimplementasikan demi mengetahui kepuasaan pengguna

terhadap aplikasi yang terkait pada proses bisnis

perusahaan [3][4]

Salah satu faktor yang mendukung kesuksesan suatu

enterprise governance adalah dengan adanya tata kelola

teknologi informasi (IT Governance) dengan cara

peningkatan nilai efektivitas dan efisiensi pada suatu

organisasi yang saling berhubungan[5] Untuk menentukan

tingkat kelayakan IT yang baik dan sesuai dengan visi misi

perusahaan maka penulis akan melakukan proses auditing

aplikasi Accurate yang ada dalam PT AlfaLand Penulis

juga membatasi pembahasan agar terarah dengan

menggunakan standar framework COBIT [6]

COBIT merupakan framework yang dibentuk oleh

Asosiasi Audit dan Pengendali Sistem Informasi (ISACA)

Kerangka kerja ini digunakan untuk mengatur resiko

keuntungan serta evaluasi terkait dengan TI [7] [8]

Kerangka kerja COBIT merupakan Suatu kumpulan

dari berbagai praktek terbaik yang bersifat generik dan

digunakan sebagai point dalam menentukan sasaran

kendali Kerangka kerja COBIT terdiri atas 4 domain

utama yaitu Plan and Organize (PO) Acquaire and


6

Implement (AI) Deliver and Support (DS) dan Monitor

and Evaluate (ME) 4 domain tersebut mempunyai proses

dan karakteristik yang berbeda-beda [9]

Pada penelitian kali ini Audit dapat digunakan di

institusi manapun sesuai dengan kebutuhan yang ada

termasuk dalam UBM Housing sub domain yang nanti

akan di audit di perusahaan PTAlfaLand yang bercabang

khusus di The Ubm Housing adalah Delivery and Support

(DS) Diharapkan penelitian ini akan membantu

menemukan kesenjangan serta dapat menetapkan tingkat

kematangan pada aplikasi Accurate

Dengan demikian dapat disimpulkan bahwa penting

untuk melakukan audit sistem informasi pada PT AlfaLand

khususnya di UBM Housing Lodan Raya Jakarta Ancol

Untuk membatasi pembahasan agar lebih terarah maka

penulis hanya akan membahas proses auditing seputar

Audit Sistem Informasi berdasarkan standar framework

COBIT 41 Dengan menetapkan salah satu domain yaitu

Delivery and Support (DS) Sub-sub domain seperti DS05

DS07 DS11 DS12 dan DS13 dipilih karena dianggap

lebih berkaitan dengan hal yang akan diberi penilaian yaitu

untuk mengetahui apakah sistem yang digunakan

memberikan jaminan keamanan asset yang dimiliki

integritas data dan kemudahan operasi untuk mencapai

tujuan yang sudah ditetapkan serta jika sudah di ketahui

hasilnya akan digunakan untuk mengetahui rekomendasi

yang dapat dipertimbangkan oleh pihak perusahaan dalam

rangka mengembangkan sistem informasi yang telah ada

[6]

II KAJIAN LITERATUR

Audit Sistem Informasi

Audit dalam organisasi bisni memiliki berbagai tujuan

yang berbeda dari mulai audit eksternal(keuangan) audit

internal dan audit kecurangan(fraud) dalam

mengembangkan dan meningkatkan ekonomi global pada

proses bisnis perusahaan[6][10]Audit TI menggunakan

tingkat teknologi yang signifikan dari sistem informasi

organisasi dan sistem modern berbasis komputer[6][7]

Audit SITI memiliki istilah IT Assurance yang terdapat

pada framework COBIT yang dapat memberikan suatu

evaluasi terhadap kondisi dan keadaan dari pelaksanaan IT

governance serta memberikan rekomendasi atau masukan

untuk perbaikan dan peningkatan pengelolaannya pada

masa yang akan mendatang pada suatu perusahaan atau

organisasi[11][12]Audit Sistem Informasi adalah suatu

proses pengevaluasian terhadap bukti-bukti yang

menentukan apakah sistem informasi yang digunakan dan

di bangun telah berjalan dengan baik dan dapat memelihara

integritas data menjaga aset mencapai sasaran organisasi

secara efektif dan memakai sumber daya yang

efisien[11][13] Audit sistem informasi bukan hanya pada

konsep klasik saja melainkan menjadi efektivitas

efisiensi kerahasiaan keterpaduan ketersediaan

kepatuhan atau ketaatan pada aturankebijakan serta

keandalan terhadap sebuah sistem informasi[14]

Accurate Accounting

Accurate Accounting Merupakan perangkat lunak

berbasis program akuntansi dan keuangan yang di rancang

untuk memenuhi kebutuhan perusahaan dalam pencatatan

akuntasi dan keuangan [1]

COBIT Framework

Control Objectives for Information and Related

Technology (COBIT) adalah salah satu seperangkat

pedoman umum (best practice) dibuat oleh Information

System Audit and Control Association (ISACA) dan IT

Governance Institute (ITGI) pada tahun 1996

[7][8]COBIT merupakan framework yang terdiri atas

beberapa domain dan proses yang digunakan untuk

melakukan pembangunan peningkatan dan perbaikan

terhadap sebuah IT Governance dalam mencapai

tujuannya COBIT juga memiliki berbagai fungsi salah

satunya adalah membuat hubungan kerja suatu bisnis pada

perusahaan membuat proses model pada organisasi

mengidentifikasi sumber daya teknologi informasi dapat

mengarahkan objektif kontrol Manajemen Meningkatkan

pendekatanprogram audit Mendukung kerja audit dengan

arahan audit secara terperinci Memberikan atau

menyediakan petunjuk (hintclue) untuk melakukan

pelaksanaanSebuah IT governance Sebagai penilaian

benchmark untuk kendali Sistem InformasiTeknologi

Informasi Meningkatkan kontrol atau pengendalian

terhadap suatu Sistem Informasi atau Teknologi

Informasi[15][16][17]

Gambar 1 Framework COBIT (COBIT 41 Excerp

Executive Summary Framework) [15]

Framework yang dimiliki COBIT 41 digunakan untuk

IT governance berorientasikan pada bagaimana cara untuk

menghubungkan tujuan bisnis dengan tujuan TI serta

menyediakan metrik dan maturity model untuk mengukur

pencapaian yang didapatnya dan mengidentifikasikan

tanggung jawab yang terkait dengan bisnis dan pemilik

proses TI [11] [18]

Pada Gambar 1 Framework COBIT (COBIT 41

Excerp Executive Summary Framework) COBIT memiliki

standar pengelolaan informasi yang terbagi menjadi 4

domain yaitu PO (Plan amp Organize) AI (Acquire amp

Implement) DS (Delivery amp Support) dan ME

(Monitoring amp Evaluate) Keseluruhan framework COBIT

ditunjukan pada gambar 1 melalui gambar tersebut dapat

dilihat model proses COBIT yang terdiri dari 4 domain

1 Planning and Organization (PO)

Domain ini membahas strategi serta taktik dan

identifikasi bagaimana TI dapat berkontribusi maksimal


7

dalam mencapai tujuan bisnis dan visi strategis perlu

direncanakan dan di terapkan dikomunikasikan Sehingga

pengorganisasian dan infrastruktur teknologi harus di

tempatkan di tempat yang semestinya[11]

2 Acquisition and Implementation (AI)

Domain ini dalam strategi rencana TI solusi TI perlu

diidentifikasi dikembangkan atau diperoleh serta

diimplementasikan dan terintegrasi ke dalam proses bisnis

[11]

3 Delivery and Support (DS)

Domain ini menitik beratkan pada proses pelayanan TI

dan dukungan teknisnya yang meliputi hal keamanan

sistem kesinambungan layanan pelatihan dan

pendidikanuntuk pengguna dan pengelolaan data yang

sedang berjalan [11]

4 Monitoring and Evaluation (ME)

Domain yang menunjuk perlunya suatu pengawasan

manajemen dalam proses pengendalian suatu organisasi

serta penilaian independen yang dilakukan seorang auditor

internal maupun eksternal serta bisa diperoleh dari sumber-

sumber alternatif lainnya

Keempat domain utama yang disebutkan di atas

memiliki proses-proses (sub-domain) jumlah proses yang

terdapat pada COBIT 41 adalah 34 proses

Proses-proses tersebut memiliki Control Objective-nya

masing-masingControl Objectives IT menyediakan

sekumpulan persyaratan tingkat tinggi oleh manajemen

untuk pengendalian efektif setiap proses TI yang mana

akan [19] [20] Terdiri dari kebijakan prosedur praktik

dan struktur organisasi

Sumber daya TI merupakan sebuah elemen yang sangat

penting dalam sebuah COBIT dalam pemenuhan

kebutuhan bisnis terhadap efektivitas efisiensi

kerahasiaan keterpaduan ketersediaan kepatuhan akan

kebijakan dan aturan serta keandalan informasi

(effectiveness efficiency confidentiality integrity

availability compliance dan reliability)[11][21]

Maturity Level

Tingkat Kematangan (Maturity Level) merupakan alat ukur

standar COBIT Pengukuran tingkat kematangan ini diatur

untuk tingkat manajemen untuk mengetahui proses dan

pengelolaan serta proses dalam TI sehingga dapat diketahui

pada tingkat mana pengelolaannya [11]

Generic maturity model yang digunakkan adalah

Gambar 2 generic maturity level model

Metodologi penelitian yang dilakukan serta tahapan-

tahapan penulis dalam memperoleh data dari sumber mulai

dari survei awal dan wawancara ditunjukan dengan

Gambar 3 yaitu Tahapan Penelitian Tahapan Penelitian

merupakan suatu kegiatan yang harus dilakukan dalam

melakukan penelitian Selain itu Adapun diagram alir

wawancara yang ditunjukan dengan Gambar 4 dan

prosedur penelitiannya sebagai berikut

Tahapan Penelitian

Dalam tahapan penelitian terdapat gambaran tentang

perencanaan pelaksanaan pengumpulan data sampai

dengan penyusunan laporan Adapun tahapan tersebut pada

gambar 3 adalah

Planning

Perencanaan (Planning) merupakan tahapan awal

dalam prosedur penelitian yang dilakukan Dimna peneliti

dapat menentukan ruang lingkup objek yang akan di

audit standar evaluasi dari hasil audit serta komunikasi

terhadap organisasiperusahaan yang akan diaudit adalah

dengan menganalisa visi misi sasaran serta tujuan objek

dan kebijakan-kebijakan yang berkaitan dengan

pengolahan investigasi

Lapangan

Pada tahap ini ditujukan untuk mendapatkan informasi

dengan cara mengumpulkan data dengan pihak-pihak yang

terkait dengan menggunakan metode wawancara terhadap


8

narasumber langsung Data yang didapat nantinya akan

sangat membantu dalam melakukan analisa perusahaan

yang di audit Alat analisis yang digunakan pada penelitian

ini adalah COBIT 41 Pengumpulan data dilakukan

melalui interview wawancara

Gambar 3 Tahapan Penelitian

Wawancara

Gambar 4 Diagram Alir Wawancara [14]

Studi kasus dilakukan di UBM Housing yang menjadi

nara sumber adalah Bapak Gredy selaku CoordTAF

Proses pada pengumpulan data ini dilakukan dengan

melakukan tanya jawab dengan narasumber Wawancara

difokuskan pada IT governance yang berhubungan dengan

aplikasi Accurate dalam penggunaannya serta proses-

proses yang termasuk pada beberapa sub domain DS yaitu

DS5 DS7 DS11 DS12 dan DS13lihat pada gambar 4

Reporting

Setelah proses pengumpulan data terdapat proses

selanjutnya yaitu reporting data yang didapat akan

diproses untuk dianalisis dan dihitung berdasarkan

perhitungan maturity level Pada tahap reporting ini auditor

akan memberikan informasi berupa hasil-hasil dari audit

sedangkan perhitungan maturity level akan dilakukan

dengan mengacu pada hasil wawancara yang di lakukan

terhadap narasumber Dari hasil maturity level nanti yang

akan menentukan kinerja saat ini dan juga kinerja standar

atau ideal yang akan menjadi acuan untuk selanjutnya

dilakukan analisis kesenjangan untuk mengetahui apa yang

menyebabkan adanya kesenjangan tersebut Dengan adanya

laporan maka suatu masalah dapat terlihat lebih jelas

dimana kesalahan terletak Data yang sudah dikumpulkan

melalui sebuah wawancara diproses untuk dihitung

berdasarkan perhitungan maturity level melalui

Analisa Hasil Wawancara

1 Hasil audit berisi akan di isi dengan temuan sekarang

(current) dan harapan pada masa yang akan datang

selanjutnya (expected)

2 untuk melakukan analisa interpretasi terhadap hasil

perhitungan current maturity level dan expected dan

memberikan kesimpulan mengenai hasil wawancara

yang di dapat

3 Memberikan Rekomendasi dengan tujuan untuk dapat

mencapai perbaikan yang dilakukan untuk institusi

tersebut

Pengambilan kesimpulan

Pemberian saran

4 Hasil dari laporan akan disajikan dalam bentuk laporan

penelitian dan jurnal penelitian nantinya

III ANALISIS DAN PERANCANGAN

Pada pembahasan ini penulis akan menguraikan hasil

analisa tingkat kematangan dari PT AlfaLand yang

bercabang di The Ubm Housing yang disajikan kedalam

bentuk tabel serta pengertian atas tiap domain dan proses-

prosesnya

Hasil Analisis Sub Domain DS

DS (Delivery and Support) Domain ini menitik beratkan pada proses pelayanan TI dan

dukungan teknisnya yang meliputi hal keamanan sistem


9

kesinambungan layanan pelatihan dan pendidikanuntuk

pengguna dan pengelolaan data yang sedang berjalan [22]

Subdomain yang akan di bahas adalah DS5 DS7 DS11

DS12 DS13

Tabel 1 Hasil Perhitungan Maturity Level DS5

Sub

Domain

Keterangan Hasil

DS51 Management of IT Security 3

DS52 IT Security Plan 3

DS53 Identify Management 2

DS54 User Account Management 3

DS55 Security Testing Surveillance and Monitoring 4

DS56 Security Incident Definition 4

DS57 Protection of Security Technology 3

DS58 Cryptographic Key Management 3

DS59 Malicious Software Prevention Detection and

Correction

2

DS510 Network Security 4

DS511 Exchange of Sensitive Data 3

Rata-rata 309

DS5 Memastikan Keamanan Sistem

Proses ini meliputi membangun dan mempertahankan

peran dan tanggung jawab keamanan TI kebijakan standar

dan prosedur Manajemen keamanan yang efektif

melindungi semua aset TI untuk meminimalkan dampak

bisanis dari kerentanan dan insiden keamanan [22]

Domain ini terbagi menjadi 11 sub-domain antara lain

1 DS51 Manajemen Keamanan TI

2 DS52 Perencanaan Keamanan TI

3 DS53 Manajemen Identitas Pengguna


5 DS55 Pengujian Pengawasan dan Pemantauan

Keamanan

6 DS56 Definisi Insiden Keamanan

7 DS57 Perlindungan Teknologi Keamanan

8 DS58 Manajemen Kunci Kriptografi

9 DS59 Mencegah Mendeteksi dan Mengkoreksi

Malicious Software

10 DS510 Keamanan Jaringan

11 DS511 Pertukaran Data Sensitif

Hasil Penilaian

Berdasarkan hasil dari temuan masalah yang

didapatkan maka peneliti memberikan penilaian terhadap

proses-proses yang terdapat di subdomain DS5 sebagai

berikut lihat pada tabel 1 Hasil Perhitungan Maturity Level

DS5


Sub Domain Keterangan Hasil

DS71 Identification of Education and Training

Needs

3

DS72 Delivery of Training and Education 2

DS73 Evaluation of Training Received 3

Rata-rata 266

DS7 Mendidik dan Melatih Pengguna

Pendidikan yang efektif untuk semua pengguna sistem

TI termasuk bagian TI sangat perlu dalam

mengidentifikasi kebutuhan di setiap pelatihan pada

masing-masing kelompok serta mendefinisikan dan

melaksanakan proses strategi untuk pelatihan yang lebih

efektif dan mengukur hasil pelatihan tersebut Sebuah

program pelatihan yang efektif meningkatkan penggunaan

teknologi yang efektif dengan mengurangi kesalahan

pengguna meningkatkan kepatuhan dengan kontrol kunci

seperti kebijakan keamanan pengguna [23] Domain ini

terbagi menjadi 3 sub-domain antara lain

1 DS71 Identifikasi Kebutuhan Edukasi dan

Pelatihan

2 DS72 Penyampaian Pelatihan dan Edukasi

3 DS73 Evaluasi Pelatihan yang Diterima

Hasil Penilaian

Berdasarkan hasil dari temuan masalah yang didapatkan

maka peneliti memberikan penilaian terhadap proses-

proses yang terdapat di subdomain DS7 sebagai berikut



10



DS111 Business Requirements for Data

Management

4

DS112 Storage and Retention Arrangements 4

DS113 Media Library Management System 3

DS114 Disposal 4

DS115 Backup and Restoration 4

DS116 Security Requirements for Data

Management

3

Rata-rata 366

DS11 Mengelola Data

Manajemen data yang efektif membutuhkan identifikasi

kebutuhan data Proses manajemen data juga meliputi

pembangunan prosedur secara efektif untuk mengelola

perpustakaan media backup dan recovery dari data

pembuangan media yang layak Manajemen data yang

efektif membantu menjamin kualitas ketepatan waktu dan

ketersediaan data bisnis [23] Domain ini terbagi menjadi 6

sub-domain antara lain

1 DS111 Persyaratan Bisnis untuk Pengelolaan

Data

2 DS112 Pengaturan Penyimpanan dan Retensi

3 DS113 Sistem Manajemen Pengumpulan Media

4 DS114 Pembuangan

5 DS115 Backup dan Restorasi

6 DS116 Persyaratan Keamanan Untuk Manajemen

Data

Hasil Penilaian

Berdasarkan dari temuan-temuan yang didapatkan maka

peneliti memberikan nilai-nilai pada subdomain DS11

sebagai berikut Tabel 3 Hasil Perhitungan Maturity Level

DS11



DS121 Site Selection and Layout 3

DS122 Physical Security Measures 3

DS123 Physical Access 4

DS124 Protection Against Environmental Factors 3

DS125 Physical Facilities Management 3

Rata-rata 32

DS12 Mengelola Lingkungan Fisik

Perlindungan dari peralatan komputer dan pekerja

membutuhkan suatu rancangan dan suatu pengelolaan

fasilitas fisik yang cukup baik Proses pengelolaan dari

lingkungan fisik meliputi pendefinisian pengelolaan lokasi

fisik pemilihan fasilitas yang tepat dan perancangan

proses yang efektif untuk pemantauan faktor lingkungan

dan pengelolaan akses fisik Manajemen yang efektif untuk

lingkungan fisik mengurangi interupsi bisnis dari

kerusakan pada peralatan komputer dan pekerja [23]

Domain ini sendiri terbagi menjadi 5 sub-domain antara

lain

1 DS121 Pemilihan Lokasi dan Tata Letak

2 DS122 Pengukuran Keamanan Fisik

3 DS123 Akses Fisik

4 DS124 Perlindungan Terhadap Faktor

Lingkungan

5 DS125 Manajemen Fasilitas Fisik

Hasil Penilaian

Berdasarkan hasil temuan audit yang didapatkan maka

peneliti memberikan nilai-nilai pada proses-proses

subdomain DS12 berikut Tabel 4 Hasil Perhitungan Maturity

Level DS12



DS131 Operations Procedures and Instructions 3

DS132 Job Scheduling 4

DS133 IT Infrastructure Monitoring 4

DS134 Sensitive Documents and Output Devices 3

DS135 Preventative Maintenance for Hardware 3

Rata-rata 34

DS13 Mengelola operasi

Pemrosesan data akurat dan komplit membutuhkan

manajemen prosedur pemrosesan data yang efektif serta

pengolaan perngkat keras yang pintar Proses ini meliputi

mendefinisikan peraturan dan prosedur operasi untuk


11

manajemen dari pemrosesan terjadwal yang efektif

melindungi hasil sensitif pemantauan kinerja infratruktur

dan menjamin preventif pemeliharaan dari perangkat keras

Dengan adanya Manajemen operasi yang efektif

membantu pengelolaan integritas data serta mengurangi

delay bisnis dan biaya operasi TI [23]Domain ini terbagi

menjadi 5 sub-domain antara lain

1 DS131 Instruksi dan Prosedur Operasional

2 DS132 Penjadwalan Kerja

3 DS133 Memantau Infrastruktur TI

4 DS134 Dokumen Sensitif dan Perangkat Keluaran

5 DS135 Pemeliharaan Pencegahan untuk Perangkat

Keras

Hasil Penilaian

Berdasarkan hasil temuan audit diatas maka peneliti

memberikan penilaian terhadap proses-proses yang

terdapat di subdomain DS13 sebagai berikut Tabel 5 Hasil

Perhitungan Maturity Level DS13

Hasil Maturity Level Pada Setiap Sub-Domain DS

Berdasarkan temuan-temuan masalah yang ditemukan

berdasarkan hasil audit dapat disimpulkan nilai maturity

level yang dimiliki PTAlfaLand yang bercabang di The

UBM Housing saat ini khususnya pada subdomain DS5

DS7 DS11 DS12 dan DS13 adalah sebagai berikut

Tabel 6 Hasil Perhitungan Maturity Level DS

Sub

Domain

Keterangan Hasil

Rata

DS5 Ensure Systems Security 309

DS7 Educate and Train Users 266

DS11 Manage Data 366

DS12 Manage the Physical Environment 32

DS13 Manage Operations 34

Rata-rata 32

Hasil keseluruhan dari perhitungan maturity level

khususnya pada beberapa domain DS yang dilakukan pada

PTAlfaLand yang bercabang khusus di The Ubm Housing

mempunyai nilai sebesar 32 Dengan demikian domain

DS pada perusahaan ini termasuk pada level 3 yaitu

Defined

Hasil GAP

Tabel 7 Hasil Perhitungan GAP per Sub Domain

Sub Domain Nilai Maturity Level

Rata-rata saat ini Yang Diinginkan GAP

DS5 309 4 091

DS7 266 3 034

DS11 366 4 034

DS12 32 4 08

DS13 34 4 06

Dimana Prosedur yang terlaksana telah

didokumentasi distandarisasi dan dikomunikasikan

melalui pelaksanaan training Proses tersebut wajib diikuti

Tetapi penyimpangannya tidak dapat terdeteksi Prosedur

tersebut tidak lengkap akan tetapi terformalisasi pada

practice yang berjalan sekarang

Nilai GAP ini didapatkan dari hasil pengurangan antara

expected maturity level dengan current maturity level Oleh

karena itu sebelum mencari nilai kesenjangan dari masing-

masing subdomain DS yang diteliti peneliti menentukan

expected level yang dianggap sesuai dengan perusahaan

Selanjutnya peneliti melakukan analisis kesenjangan

sesuai data yang didapatkan dan berikut adalah hasil dari

analisis kesenjangan pada subdomain DS5 DS7 DS11

DS12 dan DS13 yang terdapat pada Tabel 7

Gambar 5 Hasil Current dan Expected Maturity Level

Hasil GAP yang dimiliki oleh masing-masing

subdomain DS yang diaudit memiliki nilai yang berbeda-

beda Akan tetapi beberapa subdomain DS memiliki

expected maturity level yang sama Misalnya pada DS5

DS11 DS12 dan DS13 memiliki expected maturity level

senilai 4 (Managed and Measurable) hal ini dikarenakan

DS5 DS11 DS12 dan DS13 masih memiliki current

maturity level yang termasuk pada tingkat 3 (Defined)dan


12

hanya DS7 yang memiliki expected maturity level 3

(Defined) karena memiliki current maturity level tingkat 2

(Repeatable but Intuitive) Lihat pada Tabel 7 Hasil

Perhitungan GAP per Sub Domain dan Gambar 5 Hasil

Current dan Expected Maturity Level

Selanjutnya berikut disajikan hasil analisis kesenjangan

maturity level secara keseluruhan rata-rata dari subdomain

yang telah di audit

Tabel 8 Hasil Perhitungan Gap pada DS

Domain Rata-Rata Keseluruhan

DS Current Expected Gap

32 4 4 ndash 32

Rata-rata 08

Pada table 8 hasil dari domain DS yang telah di

lakukan di PTAlfaLand yang bercabang khusus di The

Ubm Housing ini memiliki nilai rata-rata current maturity

level sebesar 32 yang dianggap masih termasuk kedalam

tingkat 3 yaitu Defined dan rata-rata expected maturity

level yang diharapkan adalah tingkat 4 atau Managed dan

Measurable Dan dapat diketaui juga terdapat nilai selisih

yang diperoleh dari rata-rata yang di dapat dari

pengurangan nilai rata-rata expected level dengan current

level yang diperoleh adalah 08

IV KESIMPULAN DAN SARAN

Kesimpulan yang dapat di ambil dari penelitian yang

di lakukan berdasarkan kegiatan audit yang di laksanakan

pada PT AlfaLand yang bercabang khusus di The Ubm

Housing maka dapat di ketahui dan diambil kesimpulan

dan saran yang nantinya akan digunakan oleh perusahaan

dalam hal keterkaitan dengan pengelolaan tata kelola

teknologi informasi sebagai berikut

Kesimpulan

Saat ini PTAlfaLand yang bercabang di The Ubm

Housing telah mengimplementasikan tata kelola teknologi

pada tingkat Defined Tingkat tersebut didapatkan

berdasarkan hasil interview beberapa domain DS yaitu

DS5 DS7 DS11 DS12 dan DS13 yang saat diolah

menghasilkan rata-rata nilai maturity level sebesar 32

Dengan expected level pada tingkat 4 yaitu Managed and

Measurable dan memiliki nilai kesenjangan rata-rata

maturity level sebanyak 08 Artinya PTAlfaLand yang

bercabang khususnya di The Ubm Housing ini telah

melakukan tata kelola teknologi informasi dengan baik

Saat di lakukannya audit pada suatu tata kelola

teknologi informasi yang digunakan pada suatu perusahaan

adalah sebagai berikut

1 Menentukan standar metrik pengukuran yang akan

digunakan dalam penilaian audit

2 Menentukan atau mencari permasalahan pada

perusahaan untuk diaudit

3 Mengumpulkan data-data yang mendukung baik

secara primer maupun sekunder

4 Menganalisa bukti-bukti yang ditemukan

5 Memberikan penilaian berdasarkan hasil dari

temuan bukti-bukti tersebut

6 Menyajikan hasil audit dalam bentuk laporan dan

jurnal penelitian

Hasil penelitian berdasarkan hasil perhitungan

maturity level di ketahui bahwa terdapat kelemahan atau

yang paling rendah pada domain DS7 dengan nilai 266

yang termasuk pada tingkat 2 level Repeatable but

Intuitive Sedangkan nilai subdomain yang paling tinggi

berada pada domain DS11 sebesar 366 yang masih

termasuk pada level Defined

Pada PTAlfaLand yang bercabang khusus di The Ubm

Housing belum memiliki Tata kelola teknologi informasi

yang berjalan sepenuhnya sesuai dengan framework

COBIT 41 dikarenakan tata kelola yang berjalan di

perusahaan ini diketahui hanya dijalankan berdasarkan

kebutuhan untuk mendukung bisnis perusahaan saja atau

dasarnya saja

Hasil perhitungan GAP pada subdomain DS yang di

laksanakan di PTAlfaLand memiliki memiliki nilai rata-

rata current maturity level sebesar 32 yang dianggap masih

termasuk kedalam tingkat 3 yaitu Defined dan rata-rata

expected maturity level yang diharapkan adalah (Managed

dan Measurable) pada level 4 Dan dapat diketaui juga

terdapat nilai selisih yang diperoleh dari rata-rata yang di

peroleh dari pengurangan nilai rata-rata expected level

dengan current level adalah 08

Saran

Dapat di ambil saran dari hasil yang telah dilakukan

peneliti atau auditor yang nantinya dapat digunakan oleh

perusahan untuk memperbaiki tata kelola teknologi

informasi pada PTAlfaLand yang bercabang khusus di The

Ubm Housing dan sebagai landasan bagi penelitian

selanjutnya Saran-saran tersebut antara lain

PTAlfaLand yang bercabang khusus di The Ubm

housing dalam memperbaiki tata kelola TI-nya adalah

meningkatkan tata kelola pada subdomain DS7 yang

memiliki nilai maturity level adalah 266 yang termasuk

pada level 2 (Repeatable but Intuitive)

Mendokumentasikan setiap kegiatan perencanaan

dokumentasi kegiatan teknologi informasi

PT AlfaLand sebaiknya menggunakan suatu

standar kerangka kerja dalam mendukung peningkatan

dan pengukuran pelaksanaan tata kelola TI nya salah

satunya dengan menerapkan prinsip COBIT 41

PTAlfaLand yang bercabang di The Ubm

Housing diharapkan dapat mempertahankan proses DS

yang maturity levelnya sudah terbilang baik bahkan

ditingkatkan lebih baik lagi

Diharapkan PTAlfaLand yang bercabang di The

Ubm Housing dapat memperbaiki kekurangan yang


13

dimilikinya di masing-masing subdomain DS yang di

audit terutama pada subdomain DS yang memiliki

nilai paling rendah yaitu DS7 dengan tujuan

meningkatkan proses bisnisnya agar dapat berjalan

jauh lebih maksimal menggunakan aplikasi Accurate

Melakukan evaluasi tata kelola teknologi

informasi secara berurutan pada PTAlfaland yang

bercabang di the ubm Housing ini dapat di lakukan

pelaksanaan audit kembali dengan model COBIT 5

REFERENSI

[1] Handianto Y Triad Peranan Program Accurate

Accounting Terhadap Efektivitas Pencatatan

Laporan Penjualan Kredit Jurnal Ilmiah

Akuntansi Kesatuan Vol 1 No3 p234 Bogor

2013

[2] AlfaLand Group httpalfaland-

groupcomidhistory-milestones2018

[3] Juliandarini Handayaningsih S Audit Sistem

Informasi Pada Digilib Universitas XYZ

Menggunakan Kerangka Kerja COBIT 40 Jurnal

Sarjana Teknik Informatika Vol 1 No1 p277

Yogyakarta 2013

[4] Marita L S Riyanto Y Evaluasi Tata Kelola

Teknologi Informasi dengan Menggunakan

Kerangka COBIT 40 Domain DS (Delivery and

Support) dan ME (Monitoring Evaluation) Studi

Kasus PT Pro Car International Finance Jakarta

Jurnal Ilmu Pengetahuan dan Teknologi Komputer

Vol2 No 2 E-ISSN 2527-4864 2017

[5] Putri N O Evaluasi Tata Kelola IT pada PT

Telkom Indonesia dengan Kerangka Kerja COBIT

41 Berdasarkan Perspektif Pelayanan Pelanggan

Produk Telkom Jurusan Sistem Informatika

Fakultas Teknik dan Ilmu Komputer Universitas

Komputer Indonesia 2013

[6] Sukmajaya I B Andry J F Audit Sistem

Informasi pada Aplikasi Accurate Menggunakan

Model Cobit Framework 41 (Studi Kasus PT

Setia Jaya Teknologi) Seminar Nasional

TEKNOKA ke - 2 Vol 2 ISSN No 2502-8782

2017

[7] Fenny Andry J F Audit Sistem Informasi

Menggunakan Framework COBIT 41 pada PT

Aneka Solusi Teknologi Seminar Nasional Sains

dan Teknologi Fakultas Teknik Universitas

Muhammadiyah Jakarta p- ISSN 2407 ndash 1846 e-

ISSN 2460 ndash 8416 2017

[8] Zakwan S Ratnawati S Hidayah N A Audit

Tata Kelola Sumber Daya Teknologi Informasi

Dengan Kerangka Kerja COBIT 41 Untuk

Evaluasi Manajemen Pada Badan Pengawasan

Keuangan dan Pembangunan Jurnal Sistem

Informasi 1-16 2014

[9] Rozas I S Effendy D A R Mengukur

Efektifitas Hasil Audit Teknologi Informasi Cobit

41 Berdasarkan Perspektif End User JURANAL

LINK VOL 17No 2September 2012

[10] Khaddash HA Nawas RA Ramadan A

Factors affecting the quality of Auditing The

case of Jordanian Commercial Bank

International Journal of Business and Social

Science Vol 4 No 11 p12-24 2013

[11] Andry J F Audit Tata Kelola TI di Perusahaan

(Studi Kasus XYZ Cargo) Seminar Nasional

Teknologi Informasi 2016

[12] Meriyem C Adil S Hicham MIT Governance

Ontology Building Process Example of

developing Audit Ontology International Journal

of Computer Techniques Vol 2 Issue 1 2015

[13] Maniah Lestari S Model Audit Sistem

Informasi Akademik Proses Penyampaian dan

Dukungan Pelayanan (Studi Kasus Universitas

Widyatama) Konferensi dan Temu Nasional

Teknologi Informasi dan Komunikasi Untuk

Indonesia Jakarta 2008

[14] Andry J F Audit Sistem Informasi Sumber

Daya Manusia Pada Training Center Di Jakarta

Menggunakan Framework COBIT 41 Jurnal

Ilmiah FIFO P-ISSN 2085-4315 E-ISSN 2502-

8332 2016

[15] Jelvino Andry J F Audit Sistem Informasi

Absensi pada PT Bank Central Asia Tbk

Menggunakan COBIT 41 Jurnal Teknik

Informatika dan Sistem Informasi Vol3 No2

Agustus 2017

[16] Gondodiyoto S Audit Sistem Informasi

Pendekatan COBIT Jakarta Mitra Wacana

Media 2007

[17] Yulianti D R Patria M C Audit Sistem

Informasi Sumber Daya Manusia Pada PT X

Menggunakan Cobit Framework 41 Jurnal

Sistem Informasi Vol 6 No 1 Maret pp 15 ndash 33

2011

[18] Susandi B A Audit Tata Kelola Teknologi

Informasi Menggunakan COBIT 41 Pada PTPN

VII Unit Usaha Betung Jurnal Teknik

Informatika Universitas Bina Darma Palembang

2014

[19] Pradini T Andry J F Audit Sistem Informasi

Front Office pada World Hotel Menggunakan

Kerangka Kerja COBIT 41 Ikraith-Informatika

Vol 2 No 1 2018


14

[20] COBIT 41 2007 (wwwisacaorgKnowledge-

CentercobitDocumentsCOBIT4pdf)2018

[21] Surbakti H Managing Control Object for IT

(COBIT) Sebagai Standar Framework pada Proses

Pengelolaan IT-Governance dan Audit Sistem

Informasi Jurnal Teknologi Informasi Vol VII

Nomor 19 ISSN 1907-2430 2012

[22] Hanief S Audit TI untuk Menemukan Pola Best

Practice Pengelolaan TI pada Perbankan (Studi

Kasus PT Bank Syariah Mandiri Cabang

Denpasar) LONTAR KOMPUTER Vol 4 No 2

ISSN 2088-154 2013

[23] Andry J F Christianto K Audit Menggunakan

COBIT 41 dan COBIT 5 dengan Case

StudyrdquoYogyakarta TEKNOSAIN 2018


15

APLIKASI VIRTUAL REALITY 3D SEBAGAI MEDIA PROMOSI

(STUDI KASUS POLITEKNIK TEDC BANDUNG)

Mamay Syani1 Heru Usmansyah2

Teknik Informatika Politeknik TEDC Bandung

JlPoliteknik-Pasantren Km2 Cibabat Cimahi Utara Indonesia

msyanipoltektedcacid1 heruusmansyah3gmailcom2

Abstrak

Media promosi yang sering digunakan dalam

memperkenalkan produk maupun jasa banyak sekali cara

salah satunya dengan menggunakan media cetak dan media

elektronik Politeknik TEDC termasuk yang

mempromosikan menggunakan cara media cetak dan media

elektronik Media promosi Politeknik TEDC bandung

adalah website youtube facebook brosur google street

dan virtual tour dari media promosi yang ada berdasarkan

data akademik mahasiswa yang masuk ke Politeknik

TEDC tahun angkatan 2016 yaitu 552 mahasiswa

sedangkan tahun angkatan 2017 mengalami penurunan

20 Media yang sudah ada masih kurang mencukupi

karena belum dapat visualisasikan informasi Politeknik

TEDC secara lengkap Dari masalah diatas akan dirancang

virtual reality dengan mendeskripsikan ruangan dimana

visualisasi yang ditampilkan dalam bentuk objek 3d

Metodologi penelitian yang digunakan adalah metodologi

multimedia depelovment life cycle (MDLC) dimana

aplikasi dikembangkan secara bertahap sampai aplikasi

versi lengkap Dengan dikembangkannya aplikasi virtual

reality ini dapat memudahkan dalam melakukan promosi

lokasi dan memudahkan lokasi tanpa harus datang ke

lokasi Sehingga pengguna aplikasi virtual reality kampus

Politeknik TEDC yang ingin mengetahui fasilitas yang ada

di kampus pengguna hanya download aplikasi vrtedc

Kata kunci virtual relitiy promosi multimedia

Abstract

Media promotion often used in introducing the products

and services of a great many ways one of them with the

use of print and electronic media TEDC Polytechnic

including that promote the use of print media and

electronic media Media promotion of bandung was TEDC

Polytechnic website youtube facebook google and flyers

virtual tour from existing media promotion based on

academic data students who entered the Polytechnic

TEDC year 2016 force IE 552 students while the year 2017

force has decreased 20 Existing media are still less

sufficient because not able to visualize the complete TEDC

Polytechnic information Of the issues listed above will be

designed in virtual reality by describing the room in which

the visuals are displayed in the form of a 3d object The

research methodology used is the multimedia depelovment

life cycle methodology (MDLC) where the application was

developed in stages until the full version of the application

With this virtual reality applications developed can

facilitate in promoting and facilitating the location without

having to come to the location Virtual reality applications

so users Polytechnic Campus TEDC who want to know the

facilities on campus users simply download the

application vrtedc

Keywords virtual relitiy promotions multimedia

1 Pendahuluan

Perkembangan teknologi yang semakin hari semakin

pesat salah satunya teknologi yang berkembang adalah

teknologi Virtual reality Virtual reality adalah sebuah

teknologi yang bisa mempresentasikan dunia nyata ke

dalam dunia simulasi dalam komputer



salah satunya dengan media cetak maupun media

elektronik Politeknik TEDC termasuk salah satunya yang


elektronik Salah satunya media promosi Politeknik TEDC

Bandung adalah Website Youtube Facebook Brosur

Google Street dan Virtual reality Dari media promosi yang

ada berdasarkan data Akademik mahasiswa yang masuk ke

Politeknik TEDC tahun angkatan 2016 yaitu 552

mahasiswa sedangkan tahun angkatan 2017 mengalami

penurunan 20 dengan jumlah yaitu 444 mahasiswa

Media yang sudah ada masih kurang mencukupi karena

belum dapat menyampaikan informasi secara lengkap

Berdasarkan uraian diatas maka penulis membuat

penelitian ini dengan judul ldquoAplikasi Virtual reality 3D

Sebagai Media Promosi (Studi Kasus Politeknik TEDC)rdquo


16

2 Landasan Teori

21 Aplikasi

Aplikasi merupakan aplikasi-aplikasi yang dibuat

oleh suatu perusahaan komputer untuk para pemakai yang

beroperasi dalam bidang umum seperti pertokoan

komunikasi penerbangan perdagangan dan sebagainya

[1]

22 Multimedia

Multimedia adalah pemanfaatan komputer untuk

membuat dan menggabungkan teks grafik audio gambar

bergerak (video dan animasi) dengan menggabungkan link

dan tool yang memungkinkan pemakai melakukan

navigasi berinteraksi berkreasi dan berkomunikasi [2]

23 Pemodelan 3d

Pemodelan adalah membentuk suatu benda-benda

atau obyek Membuat dan mendesain obyek tersebut

sehingga terlihat seperti hidup Sesuai dengan obyek dan

basisnya proses ini secara keseluruhan dikerjakan di

komputer Melalui konsep dan proses desain keseluruhan

obyek bisa diperlihatkan secara 3 dimensi sehingga banyak

yang menyebut hasil ini sebagai pemodelan 3 dimensi [3]

24 Autodesk Maya

Maya adalah program yang dibuat oleh Autodesk

digunakan untuk memodelkan menganimasikan dan

membuat adegan 3D Adegan 3D dibuat dengan Maya

telah muncul di film televisi iklan permainan visualisasi

produk dan di Web Dengan Maya Anda dapat membuat

dan menganimasikan adegan 3D Anda sendiri dan

menjadikannya sebagai gambar diam atau sebagai animasi

urutan [4]

25 Adobe Audition

Adobe Audition merupakan suatu program yang

digunakan untuk merekam mengedit suara dalam bentuk

digital yang berbasis Windows Program ini dilengkapi

dengan modul-modul efek suara seperti Delay Echo

Pereduksi NoiseHiss Reverb Pengatur Tempo Pitch

Graphic Dan Parametric Equalizer [5]

26 Virtual Reality

Dalam lingkungan virtual reality seorang pengguna

akan mengalami immersion atau suatu perasaan berada

dalam dunia virtual dan menjadi bagian dari dunia tersebut

Dengan kata lain VR yang efektif membuat pengguna

menjadi tidak sadar akan keadaan asli di sekelilingnya dan

fokus akan keberadaannya di dunia virtual tersebut Untuk

membuat immersion yang efektif seorang pengguna harus

dapat menjelajahi apapun yang muncul dalam lingkungan

virtual dan dapat mengganti pandangan perspekif yang

seamless Jadi pengguna dapat melihat dari berbagai sudut

pandang berdasarkan posisi pengguna saat meliha [6]

27 Unity3D

Unity technologies dibangun di tahun 2004 oleh david

helgason nicholas francis dan joachim ante Unity 3d

adalah sebuah game engine yang super powerfull yang

dapat digunakan untuk membuat game sekelas profesional

Sejak awal unity dirancang untuk bisa membangun game

3d dengan sangat cepat [7]

28 Android

Android adalah salah satu sistem operasi yang banyak

digunakan pada saat ini Hal ini didukung dengan support-

nya beberapa vendor besar seperti Samsung HTC

Xiaomi yang menggunakan sistem operasi ini dalam

gadget yang mereka produksi Sehingga menjadikan

Android lebih cepat terkenal dibandingkan sistem operasi

smartphone lainnya [8]

4 Analisi Dan Perancangan

31 Politeknik TEDC

Politeknik TEDC Bandung merupakan perguruan

tinggi jalur profesional unggulan dalam bidang rekayasa

dan bisnis yag bernaung dibawah Yayasan Daya Juang

Bangsa dengan Akta Notaris Ari Prio Buntoro SH

Politeknik TEDC Bandung berdiri atas dasar Surat

Keputusan Menteri Pendidikan Nasional Republik

Indonesia Nomor 73DO2002 dan SK Dikti Nomor

1995O72002 sebagai upaya memenuhi tuntutan

masyarakat akan tenaga ahli madya professional yang

dibutuhkan oleh dunia usahaindustri perusahaan nasional

maupun internasioanal baik instansi pemerintahan maupun

swasta dalam menyongsong era globalisasi

Gambar 3 1 Logo Politeknik TEDC Bandung

Pada saat ini Politeknik TEDC Bandung memiliki 7

(tujuh) aplikasi studi Diploma III dan 5 (lima) aplikasi

studi Diploma IV Sebagai lembaga pendidikan tinggi

vokasional Politeknik TEDC Bandung mempersiapkan

lulusannya untuk dapat langsung berperan dalam tugas-

tugas operasional di Industri Pada dasarnya industri yang

dibidik oleh Politeknik TEDC Bandung adalah industri

dalam bidang bisnis jasa pendidikan Teknik dan Kesehatan

32 Analisis Sistem Yang Berjalan

Berdasarkan hasil observasi yang dilakukan penulis

Politeknik TEDC Bandung sudah ada media promosi yaitu

salah satunya berbasis Website Youtube Facebook

Brosur Google Street dan Virtual reality Untuk melihat

informasi tentang kampus prodi lab dan kelas harus


17

datang terlebih dahulu ke kampus Politeknik TEDC

Bandung sepeti pada gambar

Gambar 3 2 Sistem Yang Sedang Berjalan

33 Analisis Sistem Yang Akan

Dikembangkan

Metode yang dikembangkan yaitu Virtual Reality

berbasis mobile dimana dengan adanya virtual rality ini

dibuatlah media informasi untuk mengetahui fasilitas-

fasilitas yang ada di Politeknik TEDC Dengan adanya

Virtual Reality ini yang ingin mengetahui tentang kampus

Politeknik TEDC Bandung bisa langsung membuka

aplikasi untuk mendapatkan informasi fasilitas-fasilitas

yang ada di Politeknik TEDC Sepeti pada gambar

Gambar 3 3 Sistem Yang Akan Dikembangkan

34 Perancangan Sistem

Dalam perancangan Aplikasi ini akan dilakukan

dengan cara pemodelan menggunakan UML (Unified

Modeling Laguage) yaitu Use Case Diagaram Activity

Diagram dan User Interface

341 Use Case Diagram

Use Case Diagram menggambarkan ruang lingkup

dari sistem yang akan dibangun dan juga

mempresentasikan antara user dengan sistem sehingga

pengguna akhir mendapatkan pemahaman yang baik

mengenai sistem yang akan dikembangkan Sistem yang

akan dikembangkan seperti terlihat pada Gambar34

Gambar 3 4 Use Case Diagram Aplikasi Virtual

342 Activity Diagram

Activity Diagram digunakan untuk menggambarkan

aliran dari suatu aktivitas ke aktivitas lainnya dalam sebuah

aplikasi Aplikasi ini mengunakan Activity Diagram untuk

menggambarkan aliran aktivitas sebuah interaksi antara

user terhadap aplikasi Berikut adalah Activity diagram

yang terdapat pada Virtual Reality Perancangan activity

diagram menggunakan aplikasi Virtual Reality untuk lebih

jelasnya pada gambar dibawah ini

Gambar 3 5 Activity Diagram Membuka Virtual

Reality

343 Perancangan User Interface

Berikut adalah perancangan User Interface yang akan

diterapkan pada aplikasi Politeknik TEDC

Gambar 3 6 Halaman Virtual Reality


18

4 Implementasi Dan Pengujian

41 Implementasi

Setelah melakukan analisis dan perancangan proses

selanjutnya yaitu melakukan dalam beberapa tahap di

antaranya berupa persiapan perangkat pendukung dan

implementasi sistem sebagai hasil dari implementasi yang

telah dibuat dan sebagai tahap akhir adalah pengujian

sistem Untuk membangun Aplikasi Virtual reality 3D ini

perangkat pendukung yang diperlukan diantarnya adalah

perangkat keras yaitu personal computer dan perangkat

lunak yaitu aplikasi aplikasi yang digunakan Perangkat

yang digunakan dalam pengembangan aplikasi ini adalah

perangkat keras perangkat lunak smartphone

42 Implementasi Tampilan Aplikasi

Ketika user menjalan aplikasi Vrtedc maka

pertamakali yang muncul adala tampilan splash screen

Berikut di bawah ini gambar tampilan splash screen virtual

reality VRtedc

Gambar 41 Tampilan Splash Screen VRtedc

Ketika user membuka aplikasi maka tampilan menu

pembukan yang muncul adalah halaman utama Politeknik

TEDC Bandung dalam bentuk virtual reality dan akan ada

informasi melalui video setelah itu user bisa mengarahkan

poinkursor ke button prodi maupun button lab Berikut di

bawah ini gambar 42 tampilan virtual reality

Gambar 4 1 Tampilan Virtual Reality Halaman

Politeknik TEDC

Setelah user mengarahkan pointkursor maka

munculah virtual reality Prodi Teknik Informatika dan

akan ada informasi melalui video di dalam virtual reality

Prodi Teknik Informatika ada beberapa button prodi dan

button lab setelah itu user bisa mengarahkan poinkursor

ke button prodi maupun button lab Berikut di bawah ini

gambar 43 tampilan virtual reality

Gambar 43 Tampilan Prodi Teknik Informatika


munculah virtual reality Lab Multimedia di dalam virtual

reality Lab Multimedia ada beberapa button prodi dan




Gambar 4 4 Tampilan Lab Multimedia

5 Kesimpulan Dan Saran

51 Kesimpulan

Berdasarkan hasil pembahasan yang telah diuraikan

pada bab-bab sebelumnya maka penulis dapat menarik

kesimpulan sebagai berikut

1 Menampilkan informasi dalam bentuk 3d Virtual

Reality memudahkan pengguna untuk menerima

dan memahami informasi tentang Politeknik

TEDC Bandung

2 Dengan adanya aplikasi Virtual Relity Politeknik

TEDC Bandung maka calon mahasiswa orang tua

mahasiswa dan bahkan yang ingin mengetahui

tentang fasilitas yang ada di kampus hanya

download VRTEDC


19

52 Saran

Adapun saran penulis sebagai pengembangan Virtual

Relity Politeknik TEDC Bandung kedepannya

1 Aplikasi Virtual Relity ini masih bisa

dikembangkan lagi dengan memperbanyak fitur

ruangan di Politeknik TEDC Bandung yang di

tampilkan

2 Aplikasi Virtual Relity ini bisa dikembangkan

dalam bentuk Aplikasi dekstop

6 Referensi

[1] Sutarman S (2009) Pengantar Teknologi

Informasi

[2] Fred T Hofstetter (2001) Multimedia Literacy

McGraw-Hill Inc New York NY USA copy2001

[3] Prastyo A D (2012) Aplikasi Fotogrametri Jarak

Dekat untuk Pemodelan 3D Candi Gedong Songo

3ndash11

[4] Murdock K (2016) Autodesk Maya 2016 Basics

Guide

[5] Komputer W (2009) Panduan Praktis

Pengolahan Audio Digital dengan Adobe

Audition

[6] Aznoora Osman Nadia Abdul Wahab

Mohammad Hafiz Ismail ldquoDevelopment and

Evaluation of an Interactive360deg Virtual tour for

[7] Tourist Destinationsrdquo Journal of Information

Technology Impact Vol 9 No 3 pp 173-182

2009

[8] Roedavan R (2016) Unity Tutorial Game

Engine

[9] Matos V (2009) Android Development

Introduction


20

SISTEM REKOMENDASI PAKET WISATA

DENGAN MENGGUNAKAN METODE DECISION TREE

Umi Hayati

Program Studi Sistem Informasi STMIK rdquoAMIKBANDUNGrdquo

Jl Jakarta No 28 Bandung 40272 INDONESIA

umistmik-amikbandungacid

Abstrak

Dengan meningkatnya minat masyarakat untuk

berwisata yang terkadang membutuhkan jasa biro

perjalanan untuk berwisata yang lebih praktis

efektif dan tertata maka saat ini perusahaan Tour

amp Travel semakin banyak di Kota Bandung

Dengan melihat kebutuhan masyarakat untuk

berwisata tersebut solusinya adalah membuat suatu

aplikasi yang dapat membantu orang mencari paket

wisata dari biro jasa perjalanan yang terpercaya

dan dapat membandingkan harga destinasi satu

sama lain Apikasi ini merupakan aplikasi yang

memberikan informasi tentang paket wisata yang

tersedia di setiap Tour amp Travel yang ada dalam

aplikasi Aplikasi dibuat menggunakan HTML

PHP MySql sebagai databasenya dan berbasis

mobile web dengan menggunakan metode decision

tree untuk pengelompokan paket Aplikasi ini dapat

digunakan oleh user sebagai alat bantu sehingga

memudahkan mencari paket tour dari biro

perjalanan dan dapat membandingkan harga agar

efisien

Kata Kunci Sistem Rekomendasi Tour amp

Travel Decision Tree HTML PHP

I PENDAHULUAN

Dewasa ini kegiatan wisata berkembang seiring

dengan perkembangan kebutuhan manusia dimana

ritme kehidupan berjalan cepat disertai tekanan hidup

yang meningkat Salah satu gejala yang berkembang

saat ini dari kebutuhan masyarakat adalah kebutuhan

untuk berwisata Untuk itu diperlukan informasi

tentang tujuan wisata objek wisata yang menarik

sarana yang tersedia seperti transportasi untuk

mencapai tujuan wisata dan dapat menggunakan

produk wisata yang dikemas dengan paket tour yang

lebih praktis dan efisisen

Suatu produk wisata yang diciptakan oleh Biro

Perjalanan Wisata yang telah tersusun dengan baik

dengan cara menggabungkan beberapa

unsurkomponen jasa wisata beserta harga yang

dilaksanakan secara tetap dan teratur disebut sebuah

paket wisata [1]

Untuk memperoleh informasi Paket Wisata

wisatawan sering merasa kesulitan mencari paket

sesuai dengan keinginan selain itu banyak web Tour

amp Travel tidak memperbaharui harga ataupun paket

yang tersedia Wisatawan yang memilih

menggunakan paket wisata untuk berlibur terkadang

masih ragu untuk menggunakan Biro Jasa yang akan

dipakai

Mengatasi permasalahan di atas penulis

bermaksud membuat suatu sistem untuk

mempermudah masyarakat yang akan berlibur dalam

mencari paket tour amp Biro Jasa berdasarkan dana

yang tersedia dan sesuai dengan keinginan


21

II METODE PENELITIAN

Metode yang digunakan untuk membangun

sistem ini adalah Model Waterfall Model air terjun

(Waterfall) sering juga disebut model sekuensial

linier atau alur hidup klasik Model air terjun

menyediakan pendekatan alur hidup perangkat lunak

secara sekuensial atau terurut dimulai dari analisis

desain pengkodean pengujian dan tahap pendukung

[2] Metoda tersebut dapat di lihat pada gambar

berikut

Gambar1 Aktifitas model pengembangan

Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata

Paket wisata (package tour inclusive tour)

diartikan sebagai suatu perjalanan wisata dengan satu

atau lebih tujuan kunjungan yang disusun dari

berbagai fasilitas perjalanan tertentu dalam suatu

acara perjalanan yang tetap serta dijual dengan harga

tunggal yang menyangkut seluruh komponen dari

perjalanan wisata [1]

Sebelum memahami paket wisata harus

dipastikan apakah dalam rangkaian komponen

tersebut terdapat acara mengunjungi objekatraksi

wisata Bila hanya paket perjalanan (transportasi) dan

akomodasi saja tidak dapat dikatakan paket tour

Paket tersebut hanyalah paket perjalan Free and

Eazy sementara program tour bisa dipilih sendiri

Paket wisata dalam bentuk media merupakan

suatu produk nyata yang berfungsi sebagai alat

promosi dari produk jasa layanan yang akan dijual ke

wisatawan

32 Personal Hypertext Preprocessor (PHP)

Personal Hypertext Preprocessor (PHP) sudah

menjadi bahasa scripring umum yang banyak

digunakan dikalangan developer web Mempunyai

banyak kelebihan menjadi alasan utama mengapa

PHP lebih dipilih sebagai basis umum dalam

membuat sebuah web Pada awalnya PHP merupakan

kependekan dari Personal Home Page (Situs

Personal) PHP pertama kali dibuat oleh Rasmus

Lerdorf pada tahun 1995 Pada waktu itu PHP masih

bernama Form Interpreted (FI) yang wujudnya

berupa sekumpulan skrip yang digunakan untuk

mengolah data formulir dari web PHP berbasis

server side scripting PHP sendiri dapat melakukan

tugas yang dilakukan dengan mekanisme CGI seperti

mengambil mengumpulkan data dari database

meng-generate halaman dinamis atau bahkan

menerima dan mengirim cookie Dan yang menjadi

keutamaan PHP itu sendiri adalah PHP dapat

digunakan diberbagai operating system diantaranya

Linux Unix Windows Mac OsX RISC OS dan

operating system lainnya [2]

33 MYSQL (Structure Query Language)

MySQL merupakan server basis data yang

menggunakan teknik relasional untuk

menghubungkan antara table-tabel yang terpisah

dalam basis data untuk mendapatkan informasi

lengkap cepat dan akurat [3]

34 Unified Modeling Language (UML)

UML adalah keluarga notasi grafis yang

didukung oleh meta model tunggal yang membantu

pendeskripsian dan desain sistem perangkat lunak

khususnya sistem yang dibangun menggunakan

pemrograman berorientasi objek (OO) Definisi ini

merupakan definnisi yang sederhana Pada

kenyataannya pendapat orang-orang tentang UML


22

berbeda satu sama lain Hal ini dikarenakan oleh

sejarahnya sendiri dan oleh perbedaan persepsi

tentang apa yang membuat sebuah proses rancang-

bangun perangkat lunak efektif [4]

35 Use Case Diagram

Use Case atau diagram use case merupakan

pemodelan untuk kelakuan (Behavior) sistem

informasi yang akan dibuat Use Case

mendeskripsikan sebuah interaksi antara satu atau

lebih aktor dengan sistem informasi yang akan

dibuat Secara kasar use case digunakan untuk

mengetahui fungsi apa saja yang ada di dalam sebuah

sistem informasi dan siapa saja yang berhak

menggunakan fungsi-fungsi itu

Syarat penamaan pada use case adalah nama

didefinisikan sesimpel mungkin sehingga dapat

dipahami Ada dua hal utama pada use case yaitu

pendefinisian apa yang disebut aktor dan Use Case

[4]

36 Sistem Rekomendasi

Sistem Rekomendasi (SR) merupakan model

aplikasi dari hasil observasi terhadap keadaan dan

keinginan pelanggan Sistem Rekomendasi

memanfaatkan opini seseorang terhadap suatu barang

dalam domain atau kategori tertentu untuk

membantu seseorang dalam memilih produk Karena

itu SR memerlukan model rekomendasi yang tepat

agar apa yang direkomendasikan sesuai dengan

keinginan pelanggan serta mempermudah pelanggan

mengambil keputusan yang tepat dalam menentukan

produk yang akan dibelinya [6]

IV ANALISIS DAN PERANCANGAN

A Analisis Kebutuhan Sistem

Analisis kebutuhan adalah sebuah proses untuk

mendapatkan informasi model spesifikasi tentang

perangkat lunak yang diinginkan pengguna Sistem

ini membantu wisatawan yang ingin berlibur

menggunakan paket wisata dari biro perjalanan

wisata Pengguna memasukan besaran dana dan

lainnya lalu tampil beberpa paket wisata biro jasa

1 Kebutuhan Fungsional

Kebutuhan fungsional adalah pernyataan

layanan sistem yang harus disediakan

bagaimana sistem bereaksi pada input tertentu

dan kebutuhan fungsional sistem yang

menggambarkan secara detail

Kebutuhan fungsional dalam sistem ini

diantaranya adalah sebagai berikut

TABEL 1

KEBUTUHAN FUNGSIONAL USER

Aktor User

Kode Deskripsi

SRS-F-1 Pilih tentang travel

agent

SRS-F-2 Tampil info

SRS-F-3 Pilih paket wisata

SRS-F-4 Input budget

SRS-F-5 Input destinasi

SRS-F-6 Input pilih lama tour

SRS-F-7 Pilih hotel

SRS-F-8 Pilih Transport

SRS-F-9 Pilih tujuan berwisata

SRS-F-10 Pilih Jenis Wisata

SRS-F-11 Pilih Cari Paket Wisata

SRS-F-12 Tampil Paket

SRS-F-13 Cek rekomendasi


23

SRS-F-14 Tampil rekomendasi

SRS-F-15 Pilih gallery

SRS-F-16 Tampil Gallery

TABEL 2

KEBUTUHAN FUNGSIONAL ADMIN

Aktor Admin

Kode Deskripsi

SRS-F-17 Login

SRS-F-18 Gagal login

SRS-F-19 Logout

SRS-F-20 Pilih Data

SRS-F-21 Tambah Data

SRS-F-22 Input data

SRS-F-23 Simpan data

SRS-F-24 Hapus data

SRS-F-25 Ubah Data

2 Kebutuhan Non Fungsional

Di bawah ini data table kebutuhan non

fungsional dari sistem yang dibuat

TABEL3 KEBUTUHAN NON

FUNGSIONAL

Kode Deskripsi

SRS-NF-01 Aplikasi harus berjalan

secara online

SRS-NF-03 Komponen tour sesuai

dari tour amp travel terkait

3 Usecase Diagram

Usecase adalah deskripsi fungsi dari sebuah

sistem dari perspektif pengguna Usecase

bekerja dengan cara mendeskripsikan tipikal

interaksi antara Userpengguna sebuah sistem

dengan sistemnya sendiri melalui sebuah cerita

bagaimana sebuah sistem dipakai [4]

Usecase menjelaskan urutan kegiatan yang

dilakukan aktor dan sistem untuk mencapai

suatu tujuan tertentu Walaupun menjelesakan

kegiatan namun usecase hanya menjelaskan

apa yang dilakukan oleh aktor dan sistem

bukan bagaimana aktor dan sistem melakukan

kegiatan tersebut Usecase Diagram pada

perancangan ini dideskripsikan dalam bentuk

gambar berikut


24

Gambar 2 Usecase Keseluruhan

4 Perancangan Antarmuka

Antarmuka (interface) merupakan koleksi

operasi yang mendefinisikan layanan dari

suatu kelas atau komponen Antarmuka

mendeskripsikan tampak secara eksternal dari

elemen [5]

Perancangan antarmuka adalah bagian di

mana perangkat lunak dapat digunakan secara

langsung oleh pengguna Pada tahap ini hasil

dari perancangan disebut implementasi

Adapun implementasi dari Sistem

Rekomendasi Paket Wisata Dengan

Menggunakan Metode Deccision Tree



25

Gambar 3 Tampilan Beranda

Gambar 4 Form Paket Wisata

Gambar 5 Beranda Admin

Gambar 6 Tampilan Rekomendasi


26

Gambar 7 Tampilan Data Admin

Gambar 8 Tampilan Tambah data

B Metoda Decision Tree

Decision Tree adalah suatu metode klasifikasi

yang paling popular karena mudah diinterpretasikan

oleh manusia Decision Tree digunakan untuk

pengenalan pola dan termasuk dalam pengenalan

secara statistik Decision tree dibentuk dari tipe

simpul Simpul Leaf memuat suatu keputusan akhir

atau kelas target untuk suatu pohon keputusan

simpul root adalah titik awal dari suatu Decision

Tree dan setiap simpul perantara berubungan dengan

suatu pertanyaan atau pengujian [7]

Ada dua tahapan yang harus dilakukan bila

klasifikasi dilakukan menggunakan metoda ini

Pertama adalah membangun pohon keputusan

(decision tree) dan kedua membangun aturan (rule)

dari pohon keputusan yang dibangun Tree dibangun

secara top-down recursive divide-and-conquer dan

data dipartisi secara rekursif berdasarkan atribut yang

dipilih secara heuristics menggunakan pengukuran

statistik information gain Partisi data berhenti jika

tidak ada lagi data sampel yang tersisa tidak ada lagi

atribut yang dapat dipartisi atau semua data masuk ke

dalam kelas label yang sama

Untuk menghitung nilai entropy dapat

menggunakan rumus

Keteranga

c jumlah nilai yang ada pada atribut target (jumlah

kelas

klasifikasi)

Pi jumlah sampe untuk kelas i

Rumus Gain

keterangan

A atribut

V menyatakan suatu nilai yang mungkin

untuk atribut A

Values(A) himpunan nilai-nilai yang mungkin

untuk atribut A

|Sv| jumlah sampel untuk nilai v


27

|S| jumlah seluruh sampel data

Entropy(Sv) entropy untuk sampel-sampel

yang memiliki nilai v

Contoh Langkah Perhitungan

Rekomendasi = 6

Kurag Rekomendasi = 19

Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743

Menghitung Gain dari semua atribut

a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]

Entropi Sbali = 0777

Entropi Sexotic = 05

Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]

Entropi Sover = 0898

Entropi Shalfday = 0

Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]

Entropi Sincl = 0969

Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata

Salambudaya = [4+14-]

Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]

Entropi Srefreshing = 0547

Entropi Sedukasi = 0

Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163

Tujuan Wisata = 0110

Dari hasil perhitungan di atas menghasilkan

pohon sebagai berikut


28

Gambar 9 Hasil Decision Tree

V KESIMPULAN

Berdasarkan hasil dari pembuatan sistem aplikasi

rekomendasi paket wisata dapat diambil kesimpulan

sebagai berikut

1 Aplikasi ini dapat menjadi salah satu penunjang

kebutuhan masyarakat dalam merencanakan

travelling

2 Aplikasi ini dapat dijadikan sebagai salah satu

alat promosi baru bagi agen Tour and Travel

sehingga besar kemungkinan agen tour dapat

lebih diketahuidikenal

3 Banyak pengguna yang memilih berlibur untuk

perjalanannya menggunakan travel agent sesuai

dengan dana yang ada dan objek wisata yang

disukai

4 Aplikasi paket wisata ini memudahkan

pengguna dengan hanya satu aplikasi dapat

mencari tour amp travel dan dapat

membandingkan harga paket dengan yang

lainnya

REFERENSI

[1] Mustafa UE Wardani Usaha Jasa Parawisata

Jilid 1 Direktorat Pembinaan Sekolah

Menengah Kejuruan Jakarta 2008

[2] Rosa AS dan M Shalahuddin Rekayasa

Perangkat Lunak (Terstruktur dan Berorientasi

Objek) Modula Bandung 2011

[3] Janner Simarmata 2010 Rekayasa Perangkat

Lunak Andi Offset Yogyakarta

[4] Munawar 2005 Pemodelan Visual dengan

UML Graha Ilmu Yogyakarta

[5] Bambang Hariyanto 2004 Rekayasa Sistem

Berorientasi Objek Informatika Bandung

[6] Ari Purwanto Metode Analisis Rekomensadi

Pada Sistem Rekomendasi (Contoh kasus

pemanfaatan pada biro wisata) 2009 Program

Studi Ilmu Komputer Fakultas Pendidikan

MIPA UPI

[7] Kusrini amp Emha Taufiq Luthfi 2009 Algoritma

Data Mining Andi Offset Yogyakarta


29

IMPLEMENTATION OF COMPUTER FORENSIC TECHNICS IN

OPERATING SYSTEM REGISTRY

Feri Sulianta

Department of Informatics Engineering University of Widyatama Bandung Indonesia

ferisuliantawidyatamaacid

Abstract ndash Forensics refers to a scientific process

(based on science) in collecting analyzing and presenting

various evidence in court proceedings due to a legal case

Meanwhile computer forensics refers to the

collection and analysis of data from various computer

resources that are said to be eligible for trial this includes

resources computer systems computer networks

communication media (including physically using cable

and wireless) various media storage

Computer forensics on a computer system has

various fields that can be studied that are part of a

computer system and in its sub-sections also have various

variations of forensics studies that depend on computer

system products In this case forensic techniques were

carried out in revealing traces in the operating system

registry activities that were able to reveal facts as

evidence samples

Keyword- Computer forensic forensic registry

operating system root key

I INTRODUCTION

The Forensic term which means the word

present to court the term forensic refers to a

scientific process (based on science) in collecting

analyzing and presenting various evidence in court

proceedings due to a legal case

The power of forensics allows the process of

analysis and retrieving facts from events and the

environment It is not easy to get or more precisely find

facts because the facts are hidden[1][2][3]

Various hidden facts and evidence to be

found for example blood the structure of ones teeth

medical history fingerprints and others are analyzed in

such a way as to obtain facts that really deserve to be

presented as proof And this series of processions is

known as forensic

Further more the methodology in Forensics is

sure to change considering that the equipment used is

different and even up-to-date evidence or evidence

comes with a new face the underlying science has

changed Whatever it is the change must be brought to

a better renewal and method because of the emergence

of new scientific fields and new knowledge[1][2]

Unlike forensics in general forensic

computers mean the collection and analysis of data

from a variety of computer resources that are said to be

appropriate for trial including[3][4][7]

Computer system

Computer network

Communication media (including physically

using cable and wireless cables)

Various storage media

Forensic computers become new fields of science

that combine two fields of science law and computers

Various digital behaviors and digitalization that

have penetrated into every human activity become

behaviors that must be addressed properly with the

development

Computer forensics or digital forensics are placed

in a variety of purposes not just criminal cases

involving the law even useful for other special needs

related to information technology work

In general the need for computer forensics

can be classified as follows

The need for investigation of criminal acts and

legal violations

Reconstruction of cases of computer security

incidents

Recovery efforts due to system damage

Troubleshooting involving hardware or

software

The need to better understand the system or

various digital devices


30

II METHODOLOGY

A Basic of Computer Forensic

Forensic computers include many things that

must be considered due to new knowledge built

on needs and based on complexity

There are three main things that need to be

considered in applying Forensics in general

including Principles Policy Policies and

Procedures these three things are considered

irrespective of whether Forensic computers are

applied because they are merely forensic needs in

the legal sense or other needs of managing

Information Technology resources which involves

Principle This practice involves equipment

(Special tools and Equipment) to collect

electronic evidence Basically the main one is

not the tool but the expertise that has been

tested through experience even the equipment

will be adjusted according to the way a

forensic expert works

Policy Consider the policy of using

equipment including the subject of discussing

the storage media which contains evidence for

investigative purposes sending digital

evidence access to documents and so on

Procedure and Method (Procedure) It must be

designed in such a way as to equipment and in

obtaining collecting electronic evidence

The need for equipment and devices is

addressed by aspects of the process which include

documentation collection packaging and

transportation

B Forensic Model

The forensic model involves three

components to achieve quality and quality

investigations The three components are

bull Humans (People)

bull Equipment (Equipment)

bull Rules (Protocol)

People (people) as investigators must have

qualifications It is not easy to learn computer

forensics but to be an expert another story it

takes more than just knowledge experiences that

make it say expert

The final result with quality must be built

with expertise knowledge and experience

Achieving such qualities is not only solely in

presenting evidence for the purposes of court and

criminal investigations but involves the legal side

and invisible levels such as ethics and morals

There are several things need to be considered in

forensics procedure whether the steps taken to

explore evidence and find it violates legal or

ethical restrictions that is the way quality is tested

Generally forensic computer experts are specified

into several work scopes Even so the application

of the forensic experts specifications often

referred to as just an investigator even some call it

an examiner

The equipment must go through separate

mechanisms and procedures to obtain evidence of

high quality and not dirty There are many

records needed involving specific software and

various hardware and various storage media in

dealing with data - evidence data later

Among the three main forensic computer

components the rule (Protocol) plays the most

important role The protocol is applied as a rule in

exploring obtaining analyzing and finally

presenting in reports of course involving rules

Here a good understanding is needed in terms of

law and ethics if necessary in action the role of

consultation is to be held including knowledge of

information technology and legal

sciences[4][5][6][8]

Forensic computer users namely People

(People) Equipment (Equipment) and Rules

(Protocol) will merge and collaborate to fill in

each phase of the computer forensic

There are four phases in computer forensics

including

bull Collection

bull Testing

bull Analysis

bull Report

There are objects that are managed from the

process of each phase loaded from the media and

then found evidence at the end of the process

Feedback is applied to reanalyze the results

obtained with the original purpose this is done by

the Examiner by reviewing the forensic

procession


31

Fig 1 Procedure of Computer Forensics

III FORENSIC ON REGISTRY

When you access the windows registry in the

forensic process you are actually doing surgery

For that you have to understand the windows

registry structure application behavior operating

system other components involved such as data and

various activities and of course the same as surgery

you need specific tools as an interface for you which

helps you with surgery

The registry dismantling that you do will feel

interesting and tickling then guiding you to do other

surgeries other areas other equipment In that way

you begin to see information gradually giving a bright

spot Before further reviewing information in the

registry we see the basic understanding of the Registry

itself

Registry is a substantial system configuration

and is a logical data store single basically divided into

three separate databases allocated to handle user

system and network settings

Based on what The Microsoft Computer

Dictionary Fifth Edition says the registry is a central

hierarchical database used in Microsoft Windows 9x

Windows CE Windows NT and Windows 2000 to

store important information in configuring systems that

involve users applications software and hardware

Based on the statement above Microsoft does

use the registry as hub in storing information

regarding the Operating System This is where

Forensics play to dig deeper into the evidence that

might be found

The registry consists of seven root keys or

hives It can be seen in the figure that the key begins

with the word HKEY (Handle to a Key) only two of

the keys are said to be the actual registry the other is

only development which is the shortcuts

Fig 2 Registry Editor - ROOT KEY (HIVES)

Seven keys in the registry on the operating

system are displayed and explained as follows[7]

bull HKEY_USERS Contains information about

users including generic users Information

stored on this hive includes application

configuration and visual settings

bull HKEY_LOCAL_MACHINE Hive which

consists of computer-specific information that

is directly related to the operating system for

example list of drives that are used integrated

hardware and basic configuration regarding

the installed application

bull HKEY_CLASSES_ROOT The information is

the same as Regdat Further detail details

regarding drag-and-drop rules shortcuts and

user interface information

HKEY_CLASSES_ROOT is an alias of

HKLM Software Classes

bull HKEY_CURRENT_USER This key contains

user-specific information created when the

user logs in to the system and is built initially

with general information on the

HKEY_USERS key This key is another name

for the user-specific branch in HKEY_USERS

which contains configuration data for the user

who is currently logged in Basically the


32

general information applied to the user is

HKU DEFAULT

bull HKEY_CURRENT_CONFIG This key stores

information about the current system

configuration which is another name for

HKLM Config profile (current hardware

configuration)

bull HKEY_DYN_DATA Contains dynamic

status information for devices devices that

use plug-and-play architecture For example

when plugging in a USB Flash Disk Drive

bull HKEY_PERFORMANCE_DATA This key

provides support for monitoring systems based

on the Windows NT kernel

The Root Key and the abbreviation which is well

known to identify the Registry can be seen as follow on

Table 1

Table 1 ROOT KEY (HIVES)

Abbreviation ROOT KEY (HIVES)

HKU HKEY_USERS

HKLM HKEY_LOCAL_MACHINE

HKCR HKEY_CLASSES_ROOT

HKCU HKEY_CURRENT_USER

HKCC HKEY_CURRENT_CONFIG

HKDD HKEY_DYN_DATA

HKPD HKEY_PERFORMANCE_DATA

Registry files are stored in different locations

depending on the Windows operating system used for

example

bull Operating System windows 3x pada

cwindowsregdat

bull Operating System Windows 98 pada

cwindows

bull Operating System Windows NT pada

cwinntsystem32config

bull Operating System Windows XP pada

cwindowssystem32config

IV RESULTS

Essential information on the registry can be

disclosed by accessing registry carefully The results

can be seen in the following information that is stored

in your registry regardless of technical things that you

can learn about the registry and each of the hives This

method can expose the information of users password

in registry as can be seen in fig 3

Fig 3 Location of HKCUSoftwareMicrosoftInternet

ExplorerIntelFormsSPW

For the application which start automatically

within the system the information can be access in

several registry key as below

- HKLMSOFTWAREMicrosoftWindows

CurrentVersionRunonce


CurrentVersionpoliciesExplor

erRun


CurrentVersionRun

- HKCUSoftwareMicrosoftWindows

NTCurrentVersionWindowsRun


CurrentVersionRun


CurrentVersionRunOnce

- ProfilePathStart

MenuProgramsStartup

The essential information of operating system can

be seen on detail view in registry dashboard in Fig 4

dan Fig 5


33

Fig 4 Location of Registry ndash

HKCUSoftwareMicrosoftWindowsCurrentVersionPolicies


HKCUSoftwareMicrosoftWindowsCurrentVersionRun

Some devices that are currently integrated in the

system can be seen in picture Fig 6

Fig 6 Location of HKCUSoftwareMicrosoftWindows

NTCurrentVersionDevice

The internet activity can be addressed by

accessing the Windows Registry in Fig 7 displayed a

list of recently accessed URLs


ExplorerTypedUrl

Another thing that can be analyzed from the

windows registry for example various storage media

that has been integrated with a computer system such

as USB Flashdisk Floppy and others that of course can

protect the information that is evidence The history

can be seen through the registry

Fig 8 Location of HKLMSystemMountedDevices

Many things can be disclosed in the operating

system registry due to activities and processes

involving computer system resources documented in

the registry Therefore to do so it is necessary to have

an operating system expert so that information is

obtained analyzed carefully and thoroughly


34

V CONCLUSION

The power of forensics allows the

process of analysis and retrieving facts from events

and the environment It is not easy to get or more

precisely find facts because the facts are hidden

The Windows Registry is a hierarchical

database that stores low-level settings for the Microsoft

Windows operating system and applications for opt-in

to use the registry The kernel device drivers services

Security Accounts Manager and user interface can all

use the registry The registry also allows you to access

system counters

In simple terms the registry or Windows

Registry contains information settings options and

other values for programs and hardware installed on all

versions of Microsoft Windows operating systems For

example when a program is installed a new subkey

containing settings such as a programs location its

version and how to start the program are all added to

the Windows Registry

Knowing carefully the Windows Registry

mapping is the key in revealing user traces on a

digitally documented computer in this case computer

forensic techniques are used to explore discover

reveal user activity history for the purpose of

investigation

ACKNOWLEDGMENT

This work is partly supported by Widyatama

University

REFERENCES

[1] Colin Armstrong Developing A Framework Forevaluating Computer Forensic Tools Curtin University of Technology School of Information Systems WA

[2] David C Smith Samuel Petreski A New Approach to Digital Forensic Methodology

[3] Freiling F C amp Schwittay B (2007) A Common Process Model for Incident Response and Computer Forensics Proceedings of Conference on IT Incident Management and IT Forensics Germany

[4] KRogers M Goldman J Mislan R Wedge T amp Debrota S (2006) Computer Forensics Field Triage Process Model Proceedings of Conference on Digital Forensics Security and Law

[5] Kent K Chevalier S Grance T amp Dang H (2006) Guide to Integrating Forensic Techniques into Incident Response NIST Special Publication 800-86 Gaithersburg National Institute of Standards and Technology

[6] Siti Rahayu Selamat Robiah Yusof Shahrin SahibMapping Process of Digital Forensic Investigation Framework IJCSNS International Journal of Computer Science and Network Security VOL8 No10 October 2008

[7] Sulianta Feri Panduan Lengkap Kompter Forensik Penerbit Andi 2016

Yunus Yusoff Roslan Ismail and Zainuddin Hassan Common Phases Of Computer Forensics Investigation Models International Journal of Computer Science amp Information Technology (IJCSIT) Vol 3 No 3 June 2011


35

SISTEM MANAJEMEN KONTROL UNTUK PT PILAR WAHANA ARTHA

MENGGUNAKAN METODE PENJADWALAN PERT


egipermana76gmailcom hendrystmik-amikbandung

emmastmik-amikbandungacid

Program Studi Teknik Informatika

Sekolah Tinggi Manajemen Informatika dan Komputer

ldquoAMIK BANDUNGrdquo

egipermana76gmailcom

ABSTRAK

PT Pilar Wahana Artha merupakan salah satu

perusahaan yang sering mengalami pengunduran

penyelesaian pekerjaan yang diakibatkan belum

tepatnya jadwal dalam perusahaan Jadwal yang kurang

baik membuat perusahaan sulit dalam mengawasi

perkembangan pekerjaan dan proses pengambilan

keputusan terkesan terburu-buruDengan adanya

permasalahan yang dihadapi oleh PT Pilar Wahana

Artha maka penulis mengajukan salah satu metode

penjadwalan yaitu metode PERT (Program Evaluation

and Review Technique) Metode penjadwalan ini

menggunakan tiga (3) estimasi waktu yaitu waktu

optimis (ta) waktu paling mungkin (tm) dan waktu

pesimis (tb) Dengan dibantu oleh tiga (3) estimasi

waktu maka diharapkan para pimpinan perusahaan

mendapatkan banyak pilihan dalam mengatur waktu

pekerjaanPada proses impelentasinya penelitian ini

menggunakan sample data pekerjaan yang telah

dikerjakan oleh pihak perusahaan Hal ini dimaksudkan

untuk mengetahui proses yang biasa dilakukan oleh

pihak perusahaan mampu di implementasikan pada

metode yang akan digunakanHasil dari penelitian

menunjukan bahwa metode dengan menggunakan

metode PERT (Program Evaluation and Review

Technique) dapat mengetahui tingkat keberhasilan

suatu pekerjaan sehingga proses ndash proses yang akan

mengalami keterlambatan dapat di ketahui lebih awal

Kata kunci PT Pilar Wahana ArthaPenjadwalan Metode Pert Manajemen

PENDAHULUAN

Tuntutan dalam menyelesaikan pekerjaan

semakin dirasakan oleh tiap perusahaan maupun

organisasi yang bergerak dalam dunia industri dimana

pelanggan sadar akan pentingya mendapatkan produk

sesuai dengan jadwal yang telah disepakati bersama

Dengan adanya tuntutan yang begitu besar dari para

pelanggan membuat setiap organisasi yang bergerak

dalam dunia industri mempunyai kewajiban untuk

meningkatkan kualitas manajemen Untuk

meningkatkan kualitas suatu manajemen maka sebuah

organisasi harus memperbaiki fungsi dari manajemen

yang sedang dikelola

PT Pilar Wahana Artha merupakan satu dari

sekian banyak perusahaan industri teknologi informasi

yang sedang mengalami kendala dalam manajemen

perusahaannya mulai dari proses perencanaan sampai

proses pengendalian Setahun terakhir banyak sekali

keluhan dari para pelanggan tentang buruknya kualitas

penyelesaian pekerjaan yang di order oleh pihak

perusahaan selain mendapatkan keluhan dari pihak

luar perusahaan pihak internal seperti karyawan


36

melakuan hal yang sama Pihak karyawan selalu

mengeluh tentang ketidakpastian urutan kegiatan yang

harus diselesaikan terlebih dahulu Hal ini

menyebabkan banyak kesalahan komunikasi antar

bagian divisi sehingga proses penyelesaian produk

mengalami durasi yang lebih lama

Rumusan Masalah

Berdasarkan pembahasan sebelumnya penulis

menghasilkan sebuah rumusan masalah dari

permasalahan yang ada yaitu sebagai berikut

1 Menentukan proses penjadwalan yang tepat

menggunakan metode penjadwalan PERT

2 Merumuskan pengawasan organisasi agar

pekerjaan tepat waktu

3 Menentukan suatu aplikasi yang menjadi

perantara antar tiap divisi diperusahaan untuk

meningkatkan efektivitas kerja

Batasan Penelitan

Adapun batasan-batasan masalah pada penelitian

ini sebagai berikut

1 Data pekerjaan dan kegiatan yang diteliti

merupakan data pekerjaan yang telah terjadi di

tempat penulis melakukan penelitian

2 Penentuan durasi waktu penyelesaian hanya

menggunakan estimasi penulis berdasarkan

pengarahan dari pihak perusahaan

3 Input berupa data pekerjaan data kegiatan dan

estimasi waktu kegiatan

4 Metode yang digunakan adalah metode

penjadwalan PERT

5 Hasil dari identifikasi yang akan dihasilkan

program yaitu tingkat kemungkinan

penyelesaian pekerjaan berdasarkan kegiatan

dan durasi waktu

Tujuan Penelitian

Adapun tujuan dari Penelitian yang penulis

lakukan adalah sebagai berikut

1 Sebagai alat untuk proses controlling pihak

perusahaan terhadap pekerjaan yang sedang

dilaksanakan sehingga faktor ndash faktor yang

mengakibatkan penundaan pekerjaan dapat

diminimalkan

2 Dapat membantu perusahaan untuk

meningkatkan kualitas produk maupun kualitas

pelayanan kepada pelanggan melalui metode

penjadwalan yang telah direncanakan

sebelumnya

LANDASAN TEORI

21 Manajemen

Manajemen adalah sebuah tindakan yang

terbentuk dari serangakain proses ndash proses yang

digunakan untuk mencapai sasaran

menggunakan pemanfaatan sumber daya

manusia serta sumber daya lainnya melalui

tindakan perencanaan pengorganisasian

pergerakan dan pengendalian[1]

22 Penjadwalan

Penjadwalan merupakan sebuah proses

pengalokasian sumber daya terbatas untuk tugas

- tugas yang bertujuan untuk optimalisasi

sebuah tujuan atau lebih dan memungkinkan

untuk proses pengambilan keputusan[5]

23 Metode PERT

PERT adalah suatu metode yang bertujuan

untuk sebanyak mungkin mengurangi adanya

penundaan maupun gangguan produksi serta

mengkoordinasikan berbagai bagian suatu

pekerjaan secara menyeluruh dan mempercepat

selesainya proyek[7]

METODE PENGERJAAN

Metode yang digunakan untuk pengembangan

sistem adalah menggunakan metode waterfall yang

memiliki tahapan sebagai berikut

Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian

Gambar 1 Metode Pengembangan sistem


37

PEMBAHASAN

Secara garis besar struktur desain alikasi yang

akan dibuat pada aplikasi adalah sebagai berikut

Gambar 2 Use Case Diagram


38

ANALISIS KEBUTUHAN

Kebutuhan Perangkat Keras dan Perangkat

Lunak

Tabel Kebutuhan Perangkat Keras

N

o

Perangk

at Keras

Spesifikasi

1 Processor Intel(R) Pentium(R)

CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB

4 VGA Intel(R) HD Graphics

5 Monitor 140rdquo HD LED LCD

Tabel Kebutuhan Perangkat Lunak

N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP

3 Client Side HTML CSS

JAVASCRIPT

4 Web Server Apache 220

5 Database

Server

MySQL 5018

6 Web Browser Mozilla Google

Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI

Implementasi antarmuka merupakan tahapan

pengoprasian sistem berdasarkan keadaan yang

sesungguhnya sehingga sistem yang telah dibuat benar

ndash benar sesuai dengan perancangan yang telah

direncanakan

Tampilan Utama Aplikasi

Gambar 3 Tampilan Utama Aplikasi

PENGUJIAN

Proses pengujian dilakukan untuk mengetahui

kualitas dari sistem informasi yang dihasilkan pada

proses pengujian sistem informasi biasanya terdiri dari

2 (dua) proses pengujian yaitu Black Box Testing dan

White Box Testing Proses pengujian yang dilalukan

pada penulisan ini hanya menggunakan pengujian

Black Box Testing hal ini bertujuan memberikan fokus

terhadap fungsionalitas dan output yang dihasilkan

aplikasi


39

Tabel 11 Pengujian Login

Prosedur Data Masukan Hasil

diharapkan

Hasil

didapat

Kesimpul

an

Uji Kasus Data Normal

Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima

Uji Kasus Data Salah

Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan

password tidak valid

Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN

Berdasarkan pembahasan mengenai judul

dalam karya tulis ini penulis dapat menarik


1) Dengan penggunaan aplikasi ini dapat

membantu menghitung persentase

keberhasilan proyek berdasarkan kegiatan

yang dilalui

2) Proses penyusunan penjadwalan menjadi lebih

terencanan lebih baik karena semua

kemungkinan sudah di definisikan pada awal

penyusunan kegiatan hal ini ditunjang oleh

tiga estimasi waktu yang disediakan oleh

metode Program Evaluation and Review

Technique (PERT)

3) Dengan menggunakan aplikasi ini dapat

membantu pihak manajemen untuk

melakukan pengawasan organisasi kerja

sehingga lebih cepat mengambil keputusan

untuk kebutuhan perusahaan

SARAN

Berikut saran ndash saran yang dapat penulis

sampaikan untuk mengembangkan aplikasi yang

telah dibuat antara lain

1) Aplikasi ini dapat dikembangkan lagi menjadi

lebih menarik dan dinamis agar lebih user

friendly

2) Dapat optimalkan lagi untuk proses akses

kecepatan terhadap modul ndash modul yang

diakses oleh user maupun query yang

direquest oleh user

3) Proses penentuan jalur kritis dapat

dikembangkan lagi menggunakan metode

yang lebih sesuai seperti Metode Graph

maupun metode yang serupa

DAFTAR REFERENSI

[1] S N Arif and Z Iskandar ldquoDasar-

Dasar Manajemen dalam Teknologi Informasirdquo J

Saintikom vol Vol 5 2 no 2 pp 236ndash247 2008

[2] Y Rahmawati ldquoManajemen Public

Relations Dalam Bisnis Islam rdquo Manaj P U B L I

C R E L A T I O N S SEBAGAI ALAT ETIKA

Komun DALAM BISNIS Islam no 95 2014

[3] Noerlina ldquoPerencanaan Manajemen

Proyek Sistem Informasi Dan Teknologi Informasi

Online Bisnisrdquo J Piranti War 440 Vol11 No3

Agustus 2008 440-450 vol 11 no 9 pp 440ndash450

2008


40

[4] R F M Zanah J Sulaksana And G

R Terry ldquoKepuasan Kerja Karyawan ( Suatu

Kasus Di Home Industri Asri Rahayu Di Wilayah

Majalengka ) Management Function Effect On

Employee Satisfaction ( A Case Of Home Industry

Asri Rahayu In Majalengka Region ) Manajemen

Yang Berbeda Bergantung Pada Cara Dicapairdquo

Vol 4 Pp 157ndash166 2016

[5] R Hermawan A Hidayat And V G

Utomo ldquoSistem Informasi Penjadwalan Kegiatan

Belajar Mengajar Berbasis Webrdquo Ijse ndash Indones J

Softw Eng Vol 2 No 1 Pp 1ndash8 2016

[6] D D Rochman And R Ferdian

ldquoPenjadwalan 20 Job 8 Mesin Dengan Metode

Genetic Algorithm (Ga)rdquo Spektrum Ind Vol 11

No 1 Pp 609ndash620 2013

[7] Muhammad Rizki Ridho ampSyahrizal

ldquoEvaluasi Penjadwalan Waktu Dan Biaya Proyek

Dengan Metode Pert Dan Cpmrdquo Univ Sumatera

Utara Vol 1 No 1 2015

[8] D Caesaron And A Thio ldquoAnalisa

Penjadwalan Waktu Dengan Metode Jalur Kritis

Dan Pert Pada Proyek Pembangunan Ruko (Jl

Pasar Lama No20 Glodok)rdquo J Ind Eng Manag

Syst Vol 8 No 2 Pp 59ndash82 2015

[9] N Sutarni ldquoManajemen Operasional

Lanjutan 2008rdquo 2010


41

PEMANFAATAN TEKNOLOGI GREEN HOUSE SEBAGAI

METODE PENJEMURAN UNTUK PENINGKATAN MUTU

PENJUALAN GREEN BEAN KOPI ARABICA DAN ROBUSTA

SEHINGGA DAPAT MENINGKATKAN PENDAPATAN

Retno Paryati

Program Studi Akuntansi D3 Politeknik TEDC Bandung

Email retnoparyatigmailcom

Ari Purno Wahyu

Program Studi Teknik Informatik Universitas Widyatama Bandung

Email aripurnowidyatamaacid

Abstrak

Kopi merupakan tanaman pertanian yang

memiliki nilai ekonomis yang sangat tinggi

tanaman ini berasal dari Ethiopia masuk kemudian

menyebar ker Arab dan Turki di Indonesia

tanaman kopi dibawa oleh belanda jaman

pemerintahan VOC jenis yang ditanaman di

indonesia adalah jenis Robusta dan Arabica

Arabica memiliki bentuk yang lebih panjang dan

ditanam didataran tinggi antara 800-1400 Dpl

sedangkan Robusta ditanam pada ketinggian sekitar

800 dpl Indonesia saat ini menjadi penghasil kopi

terbesar di dunia setelah Brazil dan vietnam

sedangkan derah penghasil kopi terkenal di

Indonesia yaitu Sumatra derah Gayo Lintong

Mandailing dan Lampung sedangkan derah jawa

yaitu derah Jawa Barat yang terkenal dengan Java

Preanger Garut Pangalengan dan derah jawa

tengah proses kopi memiliki beberapa tahapan

yaitu dari chery ( biji) kemudian biji dipetik dan

diproses menjadi gabah kemudian dijemur proses

penjemuran petani di Indonesia biasa dijemur

langsung dengan sinar matahari atau menggunakan

green house sistem greenhouse cenderung lebih

aman dan biji kopi terlindung dari dabu dan air

hujan petani diindonesia khususnya di derah Jawa-

Barat yaitu petani kopi derah kaki gunung

manglayang yang dikenal dengan bukit palasari

para petani kopi biasa menjemur kopi secara

langsung terkena sinar matahari jika kondisi cuaca

panas maka penjemuran bisa optimal tetapi jika

kondisi tiba-tiba hujan dan berkabut maka

penjemuran tidak optimal dan kadar air pada biji

kopi menjadi tinggi antara 13-14 kadar air yang

normal yaitu antara 11-12 penjemuran yang

salah bisa menyebabkan biji kopi rusak dan

berjamuruntuk mengatasi hal tersebut maka kopi

bisa dijemur dengan menggunakan Greenhouse

yang bisa dimonitoring kadar air dan kelembaban

nya dengan batuan microprosessor dan

terkomputerisasi yaitu menggenakan teknik IOT (

Internet of think) sensor humadity dimana suhu

Greenhouse bisa dimonitor selama 24 jam hingga

kadar air antara 11-12 kadar air yang rendah akan

meningkatkan harga jual dan memiliki rasa kopi

yang lebih ber aroma dan tidak bau tanah (earty)

atau berjamur (moldy)

Kata Kunci Smart GreenHousekopiIOT


42

1LATAR BELAKANG

Kopi merupakan menjadi salah satu komoditas nasional

pada sektor perkebunan dan memiliki nilai harga yang tinggi

pada nilai penjualan baik lokal maupun internasional

komoditas kopi jawa barat khususnya memiliki nilai historis

yang lama terhadap tanaman ini derah jawa barat atau

priangan sudah terkenal menjadi derah penghasil kopi sejak

jaman VOC derah penghasil kopi ter terkenal antara lain

pangalengan puntangmangalayang dan derah garut pada

derah tersebat beberapa proses penjualan kopi masih

dilakukan secara tradisional petani kadang menjual kopi

masih dalam bentuk chery atau buah kopi langsung dijual ke

pengepul atau tengkulak dengan harga yang sangat jauh

harga chery per kilo gram hanya Rp 8000kg sedangkan

harga greenbaen atau chery yang sudah digiling perkilo nya

mencapai 110 ribu hingga 120 ribu sebab itu petani sangat

dirugikan karena masih tradisionalnya alat yang digunakan

serta proses penjemuran biji kopi yang masih tertalu basah

sehingga kadang ditolak olah para pengepul atau tengkulak

dengan alasan kadar air yang tinggi pada biji kopi

menyebabkan proses roasting atau penyangraian menjadi

lebih lama dan biaya yang dikeluarkan oleh petani lebih mahal

karena harus membayar upah dalam proses penejemuran

untuk mengatasi masalah tersebut penulis membuat sebuah

penelitian diderah penghasil kopi yaitiu derah manglayang

dengan menggunakan pengeringan dengan metode greenhouse

dan teknologi pengukur suhu Green House dengan sensor

humadity atau kelembaban sehingga suhu Greanhouse bisa

dimonitor dan diawasi dengan bantuan teknologi sederhana

yang bisa membantu petani kopi pada khususnya agar bisa

menjual kopi dalam bentuk greanbean dan memaksimalkan

proses pengeringan agar sesuai dengan standar kopi baik

dilihat dari segi bentuk ukuran dan defect pada biji kopi

sehingga mampu dijual dipasar internasional dan memenuhi

standar (Ico) Internasional coffee Organization sehingga

mampu memberikan wawasan yang luas pada petani dan

meningkatkan daya saing dan penjualan

2LANDASAN TEORI

21 Tanaman Kopi

Di indonesia terdapat beberapa jenis kopi namun yang

paling banyak diataman hanya jenis arabica dan robusta saja

jenis arabica ditaman pada ketinggian diatas 1200 dpl

sementara robusta ditanaman pada ketinggian 700 sampai 800

dpl tanaman kopi merupakan tanaman yang bisa dikelola

dengan mudah dan dibudidayakan masyarakat diderah jawa

barat kopi biasa tumbuh pada dataran tinggi derah penghasil

kopi terkenal yaitu banjaran garutpangalengan beberapa

wilayah cocok untuk ditanami kopi dan beberepa wilayah

tidak disebabkan oleh kondisi cuaca dan tanah [

HYPERLINK L RPA15 1 ]

Fungsi dari Greenhouse saat ini digunakan sebagai

tempat proses pengendalian terhadap suhu dan berbagai

macam perubahan faktor yang mempengaruhi pertumbuhan

tanaman faktor itu antara lain angin kelembaban udara dan

unsur hara yang terkandung didalam tanah pada umumnya

Greenhouse yang dibangun pada derah terus masih kurang

maksimun yang disebabkan oleh pengaruh udara diluar

tanaman 2] Kondisi Thermal pada Greenhouse dipengaruhi

oleh tiga faktor yang utama yaitu humadity ( kelembaban)

temperature udara dan pergerkan udara yang dipengaruhi oleh

ventilasi [ HYPERLINK L SZO80 3 ]

Pengelolan sebuah pertanian moderen diperlukannya

sebuah proses untuk beradaptasi terhadap sebuah perubahan

iklim dengan memanfaatkan sebuah metode terbaru yang

sangat diperlukan pada sebagai proses pengelolaan sumber

daya dan malakukan sebuah analisa ancaman yang diakibatkan

oleh perubahan iklim 4] Smart Greenhouse adalah sebuah

proses bagaiamana membuat sistem kendali tempat budidaya

tamanan dengan memanfaatkan sumber listrik dengan

memperhitungkan rancangan kinetika dan sistem dinamik

mekanik yang dikendalikan secara otomatis [ HYPERLINK

L HAM15 5 ]

22 Teknologi GreenHouse

Teknologi penggunaan teknologi Greenhouse pintar saat

ini bisa dikembangkan dan diciptakan dengan menggunakan

komponen elektronika yang mudah dicari dan harga murah

dan sudah banyak dilakukan penelitian tersebut sistem

elektronik tersebut mampu memonitor perubahan suhu dan

cuaca dengan memanfaatkan komponen elektronik yang

terpasang pada Greenhouse sehingga optimasi atau rekayasa

suhu dan kondisi bisa dimanipulasi dan diatur sehingga suhu

ruangan Greenhouse menjadi stabil 6] Sistem kendali pada

Greenhouse dirancang dan bekerja dengan bantuan beberapa

sensor yang bisa dikendalikan dari jarak jauh sensor dan

pembaca menggunakan microcontroller arduino uno dan bisa

dipasangkan dengan beberapa komponen program pada

arduino menggunakan bahasa C dengan kode program yang

disebut dengan sketch setiap sensor akan mempresentasikan

kondisi perubahan pada Greenhouse tersebut [ HYPERLINK

L BAN 7 ]


43

3METODE PENELITIAN

Pada metode pengujian sistem kali Greenhouse yang

ditempatkan dilapangan luas memiliki kelemahan yaitu rentan

terkena debu dan zat lain yang mudah terbawa angin dan bisa

menyebabkan greenbean menjadi rusak dan kotor solusinya

adalah penggunan Greenhouse dengan bentuk rumah dan

dilengkapi dengan sistem pengaturan suhu ruangan dan

sensor kelembaban sehingga suhu didalam greenhouse

menjadi stabil

Greenhouse sistem

Humadity sensor temperature ventilation

Kelembaban tanah Suhu temperature Sirkulasi udara

Gambar 11 metode penelitian

Keterangan

Pada gambar 11 diatas adalah sebuah proses pengujian

sistem smart greenhouse yang digunakan sebagai media

pengeringan biji kopi menggunakan beberapa sensor yang

digunakan dibidang IOT (Internet Of Things ) Penggunaan

teknologi ini diharapkan bisa memonitorng Green House

selama 24 jam dengan pengaturan suhu ventilasi yang diatur

secara otomatis Sensor humadity yang digunakan adalah ldquodht

11 rdquo dan soilmosture yang digunakan untuk melihat melihat

kadar air greenbean yang dijemur Sedangkan untuk

pengaturan biasa suhu rungan dan ventilasi menggunakan

blower atau kipas angin yang berfungsi agar suhu diruangan

tidak terlalu panas dan terlalu dingin blower tersebut

dikoneksikan dengan relay sebagai pengaman antara blower

dan arus AC

4IMPLEMENTASI amp PENGUJIAN

8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu

Gambar 12 Smart GreenHouse

Keterangan

Pada gambar 12 diatas adalah konsep greenhouse yang

sudah terkomputerisasi dengan IOT dimana kendali ventilasi

dan sumber pecahayaan sudah dikendalikan secara

otomatisdas dan jarak jauh sistem in berfungsi untuk

memaksimalkan proses penjemuran greenbean jika

digunakan pada area yang luas sistem perangkat IOT tersebut

dikendalikan menggunakan bahasa C dimana petani bisa

memonitoring tiap Greenhouse dan mampu menghemat waktu

dan tenaga


44

Proses kendali

Gambar 13 sistem kendali pada greenhouse

Keterangan

Pada gambar 13 diatas adalah sebuah proses konfigurasi

tiap pin sensor yang terkoneksi pada mainprosessor yang

digunakan untuk kendali lampu pemanas dan blower tiap

greenhouse akan dipasang sistem ini data sensor akan

dikirimkan melalui komputer dan mobile phone dimana petani

akan leuasa dalam proses pemantauan selama 24 jam data

sensor akan disimpan dalam komputer yang berfungsi

mengendalikan suhu agar stabil inputan sensor diambil dari

sensor ldquoDHT11rdquo ldquoSOILMOSTURErdquo ldquoBLOWERrdquo khusus

blower dan lampu dikoneksikan dengan RELAY sebagai

pengaman karena terhubung langsung dengan arus AC

Gambar 14 sistem input kendali pada greenhouse

Keterangan

Pada gambar 14 diatas adalah inputan sensor yang

diambil dari PIN analaog yaitu pin ldquoA0rdquo yang dikoneksikan

dengan soilmosture untuk mengecek kadar air greenbean data

tersebut nantinya akan dimasukan kedalam komputer dan

dimonitoring jika keadaan greenhouse terlalu dingin maka

pemanas akan dinyalakan dalam hal ini menggunakan bantuan

lampu pemamas

Gambar 15 sistem ouput suhu pada greenhouse

Keterangan

Pada gambar 15 diatas adalah hasil pembacaan data dari

sensor suhu tentang kondisi greenhouse suhu dipertahankan

pada kopdisi diatas 35 -hingga 40 Celcius sistem akan terus

mengirimkan perubahan suhu dan kondisi greenhouse

Gambar 16 sistem input kadar air pada greenhouse

Keterangan

Pada gambar 16 adalah proses pembacaan kadar air

grean bean yang dijemur didalam greenhouse dengan ukuran

100 tingkat kebesahan 100-83 = 17 yan berarti kadar air

masih sangat tinggi dan harus diturunkan minimal 13-12

persen pengeringan ini membutuhkan waktu sekitar 2 hingga

3 bulan untuk menghasilkan kualitas greeanbean yang baik

kadar air yang tinggi akan mengpengaruhi rasa dan lamanya

proses rousting


45

Gambar 17 biji kopi yang sudah kering

Keterangan

Pada gambar 17 diatas adalah jenis kopi yang

dihasilkan diderah palasari di kaki gunung manglayang jenis

kopi yang telah mengalami masa penjemuran pada green

house dan dalam kondisi yang bagus yaitu jenis robusta yang

memiliki ciri lebih bulat dan kecil dibandingkan Arabica dan

memiliki rasa yang lebih asam Kemudian kopi luwak luwak

sendiri janis kopi antara arabica dan robusta yang dimakan

oleh luwak liar yang hidup diderah kaki gunung manglayang

luwak memakan biji kopi yang merah biji kopi tersebut

mengalami masa fragmentasi diperut luwak karena luwak

hanya memakan kulitnya saja sehingga biji kopi masih utuh

dan tidak hancur kopi ini memiliki harga yang sangat mahal

dan memiliki rasa yang manis dan sedikit asam sedangkan

pada kopi Arabica memiliki bentuk lebih panjang dan

memiliki rasa yang sedikit asam

Gambar 18 biji kopi robusta amp Arabica

Keterangan

Pada gambar 18 diatas adalah perbandingan biji kopi

(greanbean) robusta dan arabica yang telah melalui proses

penyortiran dan masih memiliki kadar ari yang tinggi pada dan

penjemuran untuk mengurangi kadar air biji kopi yang baru

dipetik memiliki kadar air yang tinggi antar 18-16

persenpenurunan proses kadar air dilakukan beberapa cara

yaitu dengan melakukan proses penjemuran dilapangan jika

memiliki area yang luas atau menggunakan Greenhouse


Keterangan

Pada gambar diatas adalah jenis Greenbean kopi arabica

yang sudah melalui proses penyortiran akan memasuki prose

sortasi terlihat warna greenbean masih berwarna abu yang

mendakan kadar air sudah berkurang setelah penjemuran

5KESIMPULAN

Pemanfaatan teknologi greenhouse pada penjemuran

kopi bisa diimplementasikan dan mampu mengurangi kadar

air sehigga penjemran tidak terpengaruhi perubahan suhu

diluar ruangan yang berubah-ubah maka didalam greenhouse

cenderung stabil sensor yang dipasang mampu membaca dan

mengukur kadar air dan suhu didalam greenhouse dan dibisa

dipantau selama 24 jam dengan kendali komputer atau mobile

phone sistem ini akan sangat berguna untuk monitoring area

greenhouse yang luas dan tidak perlu menggunakan banyak

tenaga untuk pengaturan nya sudah terotomatisasi


46

Pemanfaatan teknologi greenhouse dapat meningkatkan

mutu kopi dan berdampak pada peningkatan penjualan

menekan biaya sehingga berakibat meningkatnya pendapatan

Sistem monitoring ini masih tergantung kepada koneksi

jaringan untuk kendali posisi greenhouse yang terletak diderah

penggunungan sering terganggu masalah jaringan kadang

pelaporan data moniroting menjadi terhambat pada penelitian

selanjut harus mengguanakan device jaringan yang lebih

bagus dan bisa dikendalikan jarak jauh menggunakan cloud

computing

REFERENSI

[

1]

R Pascawijaya Darsiharjo Jupri Evaluasi

Kesesuaian Lahan Untuk Tanaman Kopi Antologi

Geografi vol 3 no 2 September 2015

[

2]

Muchlis Alahudin Kondisi Termal Bangunan

Greenhouse Dan Screenhouse Pada Fakultas Pertanian

Universitas Musamus Merauke Jurnal mustek Amin vol

2 no 1 april 2013

[

3]

Szokolay Environment Science Handbook

Construction Press london Longman london

Construction Press 1980

[

4]

Kadir Rancang bangun smart greenhouse dengan

metode expert sistem Universitas Hasanudin Makasar

2012

[

5]

Hammada AbbasRafiuddin SyamBudi Jaelani

Rancang bangun smart greenhouse sebagai tempat

budidaya tanaman menggunakan solar cell sebagai sumber

listrik in Proceeding Seminar Nasional Tahunan Teknik

Mesin Bajarmasin 2015

[

6]

Jonathan A Enokela Theophilus O Othoigbe An

Automated Greenhouse Control System Using Arduino

Prototyping Platform Australia Australian Journal of

Engineering Research

[

7]

Banzi M Getting Started with Arduino 2nd ed

California OrsquoReilly media Inc



XXX-X-XXXX-XXXX-XXX$XX00 copy20XX IEEE

Prediction of Stock Price in Investor Portfolios with Stock Price Time Series

Analysis using ANN Wibiksana Hendra

S2 Informatics Engineering Telkom University

Bandung Indonesia hendra2621gmailcom

Houw Liong Thee Postgraduate

Telkom University Bandung Indonesia thehl007gmailcom

Fatchul Huda Arief Mathematics Engineering UIN Sunan Gunung Djati

Bandung Indonesia afhudauinsgdacid

AbstractmdashIndonesia Stock Exchange (IDX) is a place to

trade the stock market in Indonesia In general this is

represented by the value of Jakarta Composite Index (JCI)

JCI itself is the combined value of all stocks listed on the Stock

Exchange It does not matter whether the stock traded on that

day is in a state of rising down flat (no change in value) not

being traded and even suspension (prohibited from conducting

transactions for a certain period of time)

The stock data source used is the closing stock price of BNI

BCA and Mandiri stocks for 5 years from 2011-2015 from the

Indonesia Stock Exchange (via yahoo finance site) Each of

these stock data are be trained and tested to observe how

much the accuracy by using this method The stock price that

has been predicted by ANN are merged into a portfolio this

portfolio will shows the increasing or decreasing At the end of

process the change rate of loss predicted stock price into

beneficial predicted stock price are calculated

The daily data accuracy of BNI BCA and Mandiri are

977474 982266 and 978942 Weekly accuracy data a

bit smallest than daily accuracy The weekly data accuracy of

BNI BCA and Mandiri are 954247 970631 and

965706 Monthly accuracy data a bit smallest than weekly

accuracy The monthly data accuracy of BNI BCA and

Mandiri are 916259 959425 and 941434

If the investor focuses all of his funds only to buy one stock

then he will have a portfolio profit of 3 times more than before

If the profit of BNI stocks is 1919 then in terms of the

investor portfolio will have a profit of 1919 x 3 = 5757

Compare with the profit level of the 3 banks which if we add

up the value will be as follows 1919+1768+1573 = 526 So

there are additional benefits from a portfolio of 5757 -

526 = 497

Keywordsmdash stock Backpropagation prediction portfolio

BACKGROUND

Jakarta Composite Index (JCI) is a value used to

measure the combined performance of all stocks listed on

the Indonesia Stock Exchange JCI can be used to assess the

general market situation or measure if the stock price has

increased or decreased JCI rose show excitement whereas

JCI down indicate a market sluggishness [1]

When there is an increase in JCI of course stock

investors excited because it could achieve a profit as much

as the price difference between the current sales price and

the purchase price of the stock before The other way when

JCI has decreased of course mostly small large investors

are experiencing a panic with the action of release the stock

Stocks are proof of equity in a company By buying a

companys stock you are investing capital or funds that will

be used by the management to finance the companys

operational activities There are two types of corporate

shares preferred stock and common stock

Portfolio is if you diversify your investments in more

than one stock or with a combination of bonds forex

property or other assets in order to reduce risk you have

created a portfolio

The stock data source used is the closing stock price of

BNI BCA and Mandiri shares for 5 years from 2011-2015

from the Indonesia Stock Exchange [2] [3] [4]

For the theory Backpropagation algorithm is applied

Backpropagation is the one method for pattern recognition

beside Perceptron Adeline and Madeline Backpropagation

use data input hidden neuron and data output for estimate

forecast value ahead based on given source data

Backpropagation is better than other 3 pattern recognition

methods for time series case

Predicting stock price become challenging for this

decade [5] So many previous researcher to find the best

model for predicted stock price like Jay Desai Arti Trivedi

and Nisarg A Joshi (2013) [6] This research uses closing

price data as training and testing data set unfortunately from

his experiment only reached training accuracy result still

5984 and average testing accuracy 82

The data used by Jay Desai Arti Trivedi and Nisarg A

Joshi are the homogeneous data in the form of price out

(close) S amp P CNX Nifty 50 Index Trading data used by it

is from January 1 2010 to December 31 2011 Jay Desai

use neural network with one input layer one hidden layer

and one linear output layer 10 input variables are used with

10 neurons in the hidden layer All networks tested in the

study are trained for 3000 epochs

So based on this result I want improve that accuracy

better than him I will make propose new neural network

architecture with one input layer one hidden layer and one

output layer where input layer contains 20 input data 10

hidden neurons in hidden layer and 1 output data in output

layer

The objective is to purposes of this research are to

predict stock prices portfolio with prediction accuracy

greater than 82


48

The hypothesis is this prediction can be achieved by

ANN method and hope its accuracy value can be greater

than 80 for BNI BCA and Mandiri stock and stock price

portfolio greater than 80

RESEARCH DESIGN

This study contains some parts starting from collecting raw data backpropagation process include training and testing prediction plot combination training and testing making plot from testing data from each stock (BNI BCA and Mandiri) calculate delta value from each stock (BNI BCA and Mandiri) plot portfolio and calculate benefit BNI BCA Mandiri and portfolio based on the above banks An overall architecture of the stages is shown in Figure 1

2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13

Figure 1 Research Design

Legends

1 Close Price Stock Data for training and testing

2 Backpropagation

3 Prediction plot Training+Testing


49

4 Making plot from testing data from each stock (BNI

BCA Mandiri)

5 Best accuracy from daily weekly and monthly data

6 Calculate delta value from each stock (BNI BCA

Mandiri)

(tn ndash tn-1)

7 Buy and sell for each stock (BNI BCA Mandiri)

8 Combine 3 delta value (BNI BCA and Mandiri) into

1 plot

9 Decision which stock have high benefit to investor

with delta value each stock

10 Delta value for buy stock (- - +) at the lowest price

from 3 banks

11 Delta value for selling stock (+ + -) at the highest

price from 3 banks

12 Print table benefit portfolio

13 Calculate benefit

14 Plot portfolio

15 Result analysis

1 Raw data

Experiment began with collecting data from one

resources Where the dataset is obtained from yahoo

finance website [see implementation process no3 in

chapter 4 Experiment Result] during 5 years from

January 1 2011 until December 31 2015 List of

stock dataset are close price data of BNI BCA and

Mandiri stocks

2 Backpropagation process

Backpropagation divide to 2 phase training process

and testing process The training and testing data

will be separate in 3 scenario 6040 7030

and 8020

1) Training process

In training phase there are several phase

a Close Price Stock Data Experiment began with collecting data from

one resources Where the dataset is obtained from yahoo finance website [2] [3] [4] during 5 years from January 1 2011 until December 31 2015 List of stock dataset are close price data of BNI BCA and Mandiri stocks For this case the dataset used is for training data For detail you can see in next step below

b Training Process

In here each close price stock data (BNI BCA and Mandiri) be trained for forecast 1 month and 3 months based on daily data weekly data and monthly data with proportion 6040 7030 and 8020 It means from 100 data 60 became training data and the other will become testing data (6040) It will be the same with proportion for 7030 and 8020

c Weight and Bias In here each input variable from training

process will calculate and update weight and bias until will be get MSE value

d Tolerance error minimum or max epoch reached In here tolerance error be setting to less than

0001 and max epoch be setting maximum 10000 epochs In fact the stop condition achieved during an experiment is always the maximum epoch number achieved than the error rate that must be achieved less than 0001

An overall architecture of training process is

shown in Figure 2

2) Testing Process

In testing phase there are several phase


one resources Where the dataset is obtained from yahoo finance website for BNI [2] BCA [3] and Mandiri [4] stock during 5 years from January 1 2011 until December 31 2015 List of stock dataset are close price data of BNI BCA and Mandiri stocks For this case the dataset used is for testing data For detail you can see in next step below

b Testing Process

In here each close price stock data (BNI BCA and Mandiri) be tested for forecast 1 month and 3 months based on daily data weekly data and monthly data with proportion 6040 7030 and 8020 It means from 100 data 40 became testing data and the other will become training data (6040) It will be the same with proportion for 7030 and 8020 Surely testing process based on the training model result where contains weight and bias value before to executed

c Prediction result

The value between origin testing data and

forecast data during testing process


shown in Figure 3


50

3 Prediction plot

After second process (Backpropagation process) above is done the prediction result from each training and testing will be combine into one plot for every experiment scenario There are describe step by step by diagram below (see Figure 4)

a Weight and bias value from Training model result can be used for testing process

b After testing process is done it will give a prediction result

c Making plot from testing data from each stock (BNI BCA and Mandiri)

d From prediction plot training and testing only testing data plotted and calculate delta value from each stock (BNI BCA and Mandiri) The delta value formula is

delta = tn ndash tn-1

where tn is the forecast value for today and tn-1

is the forecast value for yesterday

Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error

minimum or max epoch

reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No

Figure 2 Backpropagation Training Process


51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result

Figure 3 Backpropagation Testing Process

4 Portfolio plot

This section is the next step after prediction plot

process (step 3 above) is done

a Best result from daily weekly and monthly accuracy

Selecting from each daily weekly and monthly plotting in step 3c which is getting the best accuracy The best accuracy from that 3 type data it will be continue to next step

b Combine 3 delta value into 1 plot In here the delta value from previous step will

be combine 3 delta value both BNI BCA and Mandiri into 1 plot

c Decision which stock have high benefit to investor In here the system will decision which stock

has high benefit to investor with comparison delta value from each stock Which the stock to buy and sell For more explanation about this you can see in

section 341 and 342 about buy analysis and sell analysis

d Print table benefit Print table benefit both BNI BCA and Mandiri

stock e Plot portfolio

Making plot portfolio from table benefit

Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)

Calculate delta value

from each stock (BNI

BCA and Mandiri)

Prediction

Result from

testing

process

Figure 4 Prediction Plot

f Result Analysis

Giving conclusion which stock has high benefit to investor during period

An overall architecture of the stages is shown in Figure 5


52

Table 1 Scenario of Research for BNI BCA and Mandiri

N

o

Data Type Training Total

Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT

A detail about experiment result you can see in Table 2 below

Table 2 Experiment Result

N

o

Bank

Data

type

Training Total Data Accuracy Testing Total Data Accuracy

1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54

How to calculate portfolio

Portfolio benefits are calculated from the difference between the latest investment value and the initial investment value divided by the initial investment value The value of prediction accuracy with daily data is better than weekly and monthly because the data trained on daily data is more than weekly and monthly data

For buying or selling use formula

Current price amount of shares

For profit calculation use formula

Table 3 below only happen if an investor diversify his cost to each bank BNI BCA and Mandiri stock are only got benefit 1919 1768 and 1573 But what if investors only focus their funds on one stock that has the highest profit level In other words the funds that were supposed to be used to buy BCA and Mandiri stocks were all only used to buy BNI stocks

Table 3 Portfolio benefits

BNI BCA Mandiri

Buy IDR 6100

as much as 1 lot or 100

shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1

lot or 100 shares (IDR

1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)

If this is the case then investors will have a portfolio profit of 3 times more than before If the profit of BNI stocks is 1919 then in terms of the investor portfolio will have a profit of 1919 x 3 = 5757

Compare with the profit level of the 3 banks which if we add up the value will be as follows 1919+1768+1573

= 526 So there are additional benefits from a portfolio of 5757 - 526 = 497

Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION

All experiments have been completed with a total 27

experiments where each stock like BNI BCA and Mandiri

each have 9 experiments with daily weekly dan monthly

data

From the experimental results for BNI BCA and Mandiri

stocks both for daily weekly and monthly data it is known

that the value of accuracy with daily data is better than the

value of weekly and monthly data accuracy The daily data

accuracy of BNI BCA and Mandiri are 977474

982266 and 978942 Weekly accuracy data a bit

smallest than daily accuracy The weekly data accuracy of


55


965706 Monthly accuracy data a bit smallest than

weekly accuracy The monthly data accuracy of BNI BCA

and Mandiri are 916259 959425 and 941434


then he will have a portfolio profit of 3 times more than

before If the profit of BNI stocks is 1919 then in terms

of the investor portfolio will have a profit of 1919 x 3 =

5757

Compare with the profit level of the 3 banks which if we

add up the value will be as follows 1919+1768+1573 =

526 So there are additional benefits from a portfolio of

5757 - 526 = 497

RECOMMENDATION

During experiment there are no anomaly data Because

there are no data about financial crisis as in year 1997 and

2008 so the recommended is include data in the year 1997

and 2008 So it is recommended to increase the time series

including data in the year 1997 and 2008

REFERENCES

[1] Hari Purnomo Susanto ldquoPemodelan Fuzzy untuk

Data Time Series menggunakan metode Tabel

Look up dengan transformasi logaritma dan

diferensi dan aplikasinya pada data indeks harga

saham gabungan (IHSG)rdquo Jurnal Penelitian

Pendidikan Vol 5 Nomor 1 Juni 2013

[2] httpsfinanceyahoocomquoteBBNIJKhistory

p=BBNIJK

[3] httpsfinanceyahoocomquoteBBRIJKhistory

p=BBRIJK

[4] httpsfinanceyahoocomquoteBMRIJKhistory

p=BMRIJK

[5] Ganesh Bonde Rasheed Khaled ldquoStock price

prediction using genetic algorithms and evolution

strategiesrdquo httpworldcomp-

proceedingscomprocp2012GEM4716pdf

October 13 2015

[6] Jay DesaiArti Trivedi Nisarg A Joshi ldquoForecasting of Stock Market Indices Using

Artificial Neural Networkrdquo Shri Chimanbhai Patel

Institutes Ahmedabad 2013

[7] Andy Porman Tambunan ldquoMenilai Harga Wajar

Saham (Stock Valuation)rdquo 2010 Jakarta

Gramedia

[8] Pang-Ning Tan Michael Steinbach Vipin Kumar-

Introduction to Data Mining-Pearson (2005)

[9] Heaton Jeff ldquoIntroduction to Neural Networks for

Crdquo 2nd Edition-Heaton Research Inc (2008)

page 153

[10] Fausett Laurene ldquoFundamentals of Neural

Networks ndash Architectures Algorithms and

Applicationsrdquo 1994

[11] Charlie Lie ldquoKalau Ada Uang Belilah

$ahamrdquo 2010 Bandung TriEks MediaInc page

91

[12] Drs Jong Jek Siang MSc ldquoJaringan

Syaraf Tiruan amp Pemrogramannya menggunakan

MATLABrdquo 2009 Jakarta Andi

[13] Bayu Ariestya Ramadhan ldquoAnalisis

Perbandingan Metode Arima Dan Metode Garch

Untuk Memprediksi Harga Saham (Studi kasus

pada perusahaan Telekomunikasi yang terdaftar di

Bursa Efek Indonesia Periode Mei 2012 ndash April

2013rdquo Prodi S1 Manajemen Bisnis

Telekomunikasi dan Informatika Fakultas

Ekonomi dan Bisnis Universitas Telkom Juni

2013

[14] ldquoIstilah Pasar Modalrdquo

httpwasbunsiahaanblogspotcom201111istilah

kamus-pasar-modalhtml


56

ANALISIS ERGONOMIKA PADA TEKNOLOGI INFORMASI

DI SENTRA UMKM SEPATU CIBADUYUT

Ima Ratnasari

Fakultas Teknik Program Studi Teknik Industri

Universitas Widyatama

Jalan Cikutra No 204A Bandung Indonesia

imaratnasariwidyatamaacid

Chevy Herli Sumerli


Universitas Pasundan

Jalan Setiabudhi No 193 Bandung Indonesia

chevyhsaunpasacid

Abstrak

Penelitian ini dilakukan untuk mengetahui

teknologi informasi yang ada di sentra UMKM

sepatu Cibaduyut Metode yang digunakan pada

penelitian ini adalah metode survei dan wawancara

Hasil yang didapatkan pada penelitian ini adalah

sistem infomasi di sentra UMKM sepatu Cibaduyut

masih belum ergonomi sehingga harus diadakannya

perubahan terhadap sistem informasi di sentra

UMKM sepatu Cibaduyut yang dimana bisa

dibangun dengan melengkapi komponen-komponen

seperti perangkat keras dan perangkat lunak

Kata kunci sistem informasi ergonomi

Abstract

This research was conducted to find out the

information technology hub of SME`s in Cibaduyut

shoes The methods used in this research is a survey

and interview methods The results obtained in this

research is the central information system of SME`s

Cibaduyut shoes still havent ergonomics so that

should he made changes to the information system in

the Cibaduyut shoe SMEC centers where can be built

with the complete components such as hardware and

software

Keywords information systems ergonomics

PENDAHULUAN

Sentra UMKM sepatu Cibaduyut merupakan

salah satu tempat yang paling diburu oleh wisatawan

asing maupun lokal Sentra UMKM sepatu Cibaduyut

banyak diburu oleh wisatawan karena salah satu

faktornya adalah konsumen bisa mendapatkan design

sepatu yang diinginkan secara langsung Harga

produk yang terjangkau dari sepatu itu sendiri

menjadi daya tarik tersendiri bagi wisatawan Seiring

berkembangnya jaman sentra UMKM sepatu

Cibauyut mulai tertinggal hal ini dikarenakan jaman

yang sudah modern dan perkembangan teknologi

yang berkembang secara pesat Beberapa pelaku

UMKM sepatu Cibaduyut banyak yang gulung tikar

karena tertinggal dengan jaman sekarang yang semua

sudah serba menggunakan teknologi seperti pada

saat penjualan sudah dilakukan secara online dan

juga masih minimnya penggunaan teknologi

infomrasi untuk usaha UMKM itu sendiri seperti

penggunaan komputer maupun smartphone

Penelitian ini mencoba menganalisis sistem

informasi di sentra UMKM sepatu Cibaduyut

berbdasarkan variabel yang saling berhubungan

terhadap perkembangan sentra UMKM sepatu

Cibaduyut Variabel yang dimaksud adalah variabel

inforware yang memiliki kriteria proses produksi

inovasi produk dan pemesanan produk Data yang

digunakan pada penelitian ini adalah melakukan

survei secara langsung dan melakukan wawancara

terhadap pemilik sentra UMKM sepatu Cibaduyut

Adanya hubungna antar variabel akan digunakan

sebagai bahan usulan untuk sentra UMKM sepatu


57

Cibaduyut kedepannya sehingga bisa menghasilkan

ergonomi pada sebuah sistem di sentra UMKM

sepatu Cibaduyut

KAJIAN LITERATUR

Dalam the new Grolier Webster internasional

dictionary edisi tahun 1974 kata teknologi diartikan

sebagai rdquothe knowledge and means used to produce

the material necessities of a societyrdquo Definisi lain

diberikan oleh The American Heritage Dictionary

yaitu sebagai ldquothe entire body of methods and

material used to archive industrial or commercial

objectivesrdquo Kedua definisi ini secara jelas

menunjukkan bahwa teknologi itu berkaitan erat

dengan masalah cara dan metode untuk mencapai

tujuan-tujuan tertentu Kiranya semua sepakat bahwa

cara dan metode untuk mencapai tujuan-tujuan

tertentu tidak mungkin hanya dikaitkan dengan

perangkat kerasnya saja Teknologi yang berupa

perangkat keras merupakan komoditi yang paling

mudah diperoleh atau dibeli Sebaliknya teknologi

yang berupa perangkat lunak dalam bentuk

kemampuan yang tertanam dalam diri manusia

lembaga dan ilmu (body of knowledge) tidak

mungkin dibeli melainkan dikembangkan secara

sistematik dengan memanfaatkan sumber daya

manusia dan mengacu pada tata nilai dari dalam

negeri sendiri

Dengan demikian teknologi dapat dipandang

sebagai kemampuan manusia yang mencakup

Teknologi yang terkandung dalam mesin

peralatan dan produk (object embodied

technology)

Teknologi yang tergantung dalam diri

manusia seperti pengetahuan sikap perilaku

dan keterampilan (human embodied

technology)

Teknologi yang terkandung dalam

organisasi dan manajemen (organization

endbodied technology)

Teknologi yang terkandung dalam dokumen

(document embodied technology)

Menurut (Tarek 2000 1) teknologi merupakan

sebagai pengetahuan produk proses alat metode

dan sistem yang digunakan dalam menciptakan

sebuah produk atau dalam memberikan pelayanan

Secara sederhana teknologi adalah cara kita

melakukan sesuatu Sehingga ini merupakan cara

dimana kita mencapai tujuan Teknologi adalah

penerapan praktis dari pengetahuan sarana

membantu usaha manusia secara umum teknologi

berfikir dalam hal perangkat keras seperti mesin

komputer atau perangkat elektronik yang sangat

canggih

Technology Atlas Project (1989) berawal dari

dasar pemikiran bahwa teknologi merupakan variabel

strategik penting dalam perkembangan sosio-

ekonomi pada lingkungan internasional yang semakin

kompetitif saat kini Selanjutnya Technology Atlas

Project (1989) bertujuan untuk

Menawarkan alat analisis pembantu

keputusan (decision support tool) dalam

bentuk suatu metodologi untuk

menginegrasikan pertimbangan teknologi

dalam pengembangan proses perencanaan

Mengembangkan alat ukur untuk area-area

penting yang masih belum memperoleh

perhatian yang cukup memadai

Berusaha menjadi jembatan dimana

pendekatan analitikan dapat diperkenalkan

untuk formulasi dan perbaikan kebijakan-

kebijakan dan rencana-rencana teknologi

Technology Atlas Project (1989)

mengembangkan kerangka yang telah

mengintegrasikan petimbangan-pertimbangan

teknologi kedalam suatu metodologi yang disebut

techno-economic atau disebut pula sebagai model

Teknometrik Metodologi yang dikembangkan oleh

Technology Atlas Project (1989) tersebut

memberikan penekanan pada pandangan bahwa

teknologi merupakan kombinasi dari peralatan-

peralatan fisik dan pengetahuan know-how yang

saling berhubungan Metodologi dari analisis

kandungan teknologi merupakan pendekatan

kuantitatif untuk mengukur kontribusi teknologi dari

komponen teknologi pada proses transformasi

Technology Atlas Project (1989) melihat

teknologi sebagai inti dari aktivitas transformasi

suatu input menjadi output dari aktivitas

transformasi tersebut masuk kedalam suatu elemen

dengan tingkat kandungan teknologi yang lebih

tinggi sehingga perbedaannya terletak pada

kandungan teknologinya Penentuan status

kecanggihan komponen teknologi pada suatu fasilitas

transformasi (Perusahaan) akan membutuhkan

pengetahuan mendalam mengenai aspek-aspek teknis

yang berhubungan dengan suatu spesifikasi kinerja

Penentukan status kecanggihan komponen teknologi

ini membutuhkan nput-input yang dipertimbangkan


58

oleh para teknisi operator dan spesialis lainnya yang

mengetahui secara baik aspek-aspek operasional

Ergonomika pada TI

Fungsi ergonomika pada teknologi informasi

tiadak hanya berfokus pada perangkat keras

(hardware) Berbagai perangkat lunak (software)

yang dirancang juga harus memunculkan sisi

ergonomikanya bahkan impelementasi ergonomik

harus ada di setiap sumber daya informasi Sumber

daya teknologi informasi secara umum dibangun

olehh komponen sebagai berikut

1 Perangkat kertas

2 Perangkat lunak

3 Manusia (brainware)

4 Fasilitas

5 Basis data (database)

6 Informasi (data atau informasi)

ANALISIS DAN PERANCANGAN

Hubungan variabel infoware yang saling

berpengaruh terhadap variabel lainnya seperti

humanware orgaware dan technoware dapat dilihat

pada gambar 1 berikut

Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi

Inovasi produkInovasi produk

Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan

Gambar 1 Hubungan Outerdependence

Variabel Infoware

Setiap variabel memiliki kriteria tersendiri

seperti variabel infoware memiliki kriteria informasi

produk proses produksi inovasi produk dan

pemesanan produk Variabel humanware memiliki

kriteria kualitas produk yang dihasilkan Variabel

orgaware memiliki kriteria pemilihan bahan baku

dan penentuan harga produk Variabel technoware

memiliki kriteria teknologi mesin yang digunakan

Dengan mempertimbangkan kriteria-kriteria

tersebut dalam penggunaan datanya masih dilakukan

secara manual seperti contohnya variabel infoware

untuk kriteria informasi produk terhadap variabel

humanware untuk kriteria kualitas produk dalam

memberikan data yang dibutuhkan masih dilakukan

secara manual salah satunya dengan ditulis didalam

buku atau catatan seperti misalnya apa saja yang

dibutuhkan untuk membuat sepatu berapa banyak

kebutuhan yang diperlukan dsb serta tidak menutup

kemungkinan data tersebut hanya diinformasikan dari

mulut ke mulut saja Saling berhubungannya antara

variabel infoware dengan variabel lainnya seperti

humanware orgaware dan technoware

membuktikan bahwa informasi sangat penting

didalam sebuah usaha Informasi yang baik dapat

diberikan dengan penyajian dan penggunaan data

yang baik seperti salah satunya dengan menggunakan

komputerlaptop pada saat bekerja sehingga tidak ada

lagi data yang ditulis secara manual karena resiko

data hilang lebih besar dibandingkan dengan

menggunakan perangkat komputer laptop karena

dengan menggunakan perangkat tersebut setiap

divisi baggian yang ada bisa mengakses data secara

umum dan dengan adanya teknologi informasi yang

digunakan bisa didapatkan hasil yang ergonomi pada

sebuah sistem informasi dalam usaha yang

dijalankan

KESIMPULAN DAN SARAN

Dari data yang didapatkan bahwa penggunaan

sistem infomasi yang ada di sentra UMKM sepatu

Cibaduyut masih belum bisa dikatakan ergonomi

karena masih banyaknya data atau informasi yang

dilakukan secara manual

Dilakukannya perubahan dengan dibangunnya

komponen-komponen seperti perangkat keras dan

perangkat lunak

REFERENSI

[1] Jerusalem Adam Moh Technology Atlas

Project Method dan Manajemen Peningkatan

Mutu Berbasis Sekolah Sebagai Alat Penjaminan

Mutu Jasa Pendidikan


59

[2] Jaharnsyah Muhammad dkk Strategi

Pengembangan Ekspor UKM Sepatu di Surabaya

dengan Menggunakan Pendekatan ANP

[3] Khalil Tarek Management of Technology The

Key to Competitiveness and Welath Creation

McGraw-Hill 2000

[4] Nazaruddin Manajemen Teknologi

Yoogyakarta 2008

[5] Sugiyono Metode Penelitian Manajemen

Bandung 2014

[6] Sulianta Feri Ergonomika amp Manajemen

Teknologi Informasi Yogyakarta 2014


60

Jurnal ilmiah dengan bidang ilmu teknik informatika Terbit 3 kali dalam setahun setiap bulan

April Agustus dan Desember

Ketua Redaksi

Feri Sulianta

Dewan Redaksi

Fajri Rakhmat Umbara

Agung Santoso Pribadi

Afief Dias Pambudi

Edward Daniel Maspaitella

Iqbal Yulizar

Editor Pelaksana

Farhan Ferdian Mulyadi

Vito Hafiz

Ricko Firmansyah

Reviewer

Prof The Houw Liong (Institut Teknologi Bandung)

Hengky Honggo (STMIK MDP Palembang)

Bahar Riand Passa (Nanyang Technological University)

Dwi Aryanta (ITENAS)

Eko Cahyanto (Universitas Gunadarma)

Cholid Fauzi (ST Inten)

Wawan Hendrawan (ASMTB)

Titan Halim (Universitas BINUS)

Muksin Wijaya (STMIK LIKMI)

Muhhammad Sufyan Abdurrahman (Universitas TELKOM)

SEKRETARIAT

TIM KOMUNIKA INFORMATIKA

Jl Gatot Subroto 153 C Bandung 40273

e-mail jurnaljmiigmailcom redaksie-jmiiorg

website httpwwwe-jmiiorg

PENGANTAR REDAKSI


















REDAKSI



4



5


41 PADA PT ALFALAND





Abstrak


















05 DS 07 DS 11 DS 12 dan DS 13



Abstract



















I PENDAHULUAN





















perusahaan [3][4]





















6





























[6]

II KAJIAN LITERATUR


























Accurate Accounting





COBIT Framework































proses TI [11] [18]













7









[11]





























Maturity Level
















Tahapan Penelitian




gambar 3 adalah

Planning









Lapangan





8







Wawancara










Reporting
























yang di dapat



tersebut


Pemberian saran








prosesnya





9




DS12 DS13


Sub

Domain

Keterangan Hasil










Correction

2



Rata-rata 309













Keamanan





Malicious Software



Hasil Penilaian





DS5




Needs

3



Rata-rata 266














Pelatihan



Hasil Penilaian






10




Management

4



DS114 Disposal 4



Management

3

Rata-rata 366

DS11 Mengelola Data










Data



4 DS114 Pembuangan



Data

Hasil Penilaian




DS11








Rata-rata 32












lain



3 DS123 Akses Fisik


Lingkungan


Hasil Penilaian




Level DS12








Rata-rata 34







11













Keras

Hasil Penilaian












Sub

Domain

Keterangan Hasil

Rata






Rata-rata 32






Defined

Hasil GAP




DS5 309 4 091

DS7 266 3 034

DS11 366 4 034

DS12 32 4 08

DS13 34 4 06


























12








yang telah di audit




32 4 4 ndash 32

Rata-rata 08



















Kesimpulan

























jurnal penelitian














dasarnya saja










Saran

























13










REFERENSI





2013







Yogyakarta 2013







Vol2 No 2 E-ISSN 2527-4864 2017












2017






ISSN 2460 ndash 8416 2017






Informasi 1-16 2014



























8332 2016





Agustus 2017



Media 2007





2011





2014




Vol 2 No 1 2018


14







Nomor 19 ISSN 1907-2430 2012





ISSN 2088-154 2013





15







Abstrak



























Abstract























application vrtedc


1 Pendahuluan
























16

2 Landasan Teori

21 Aplikasi





[1]

22 Multimedia






23 Pemodelan 3d








24 Autodesk Maya








urutan [4]

25 Adobe Audition







26 Virtual Reality












27 Unity3D







28 Android









31 Politeknik TEDC





























17





Dikembangkan

































Reality






18


41 Implementasi
















reality VRtedc









Politeknik TEDC

















51 Kesimpulan







TEDC Bandung





download VRTEDC


19

52 Saran






tampilkan



6 Referensi


Informasi





3ndash11


Guide



Audition






2009


Engine


Introduction


20



Umi Hayati




Abstrak





















efisien



I PENDAHULUAN

















paket wisata [1]








dipakai







21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60

PENGANTAR REDAKSI


















REDAKSI



4



5


41 PADA PT ALFALAND





Abstrak


















05 DS 07 DS 11 DS 12 dan DS 13



Abstract



















I PENDAHULUAN





















perusahaan [3][4]





















6





























[6]

II KAJIAN LITERATUR


























Accurate Accounting





COBIT Framework































proses TI [11] [18]













7









[11]





























Maturity Level
















Tahapan Penelitian




gambar 3 adalah

Planning









Lapangan





8







Wawancara










Reporting
























yang di dapat



tersebut


Pemberian saran








prosesnya





9




DS12 DS13


Sub

Domain

Keterangan Hasil










Correction

2



Rata-rata 309













Keamanan





Malicious Software



Hasil Penilaian





DS5




Needs

3



Rata-rata 266














Pelatihan



Hasil Penilaian






10




Management

4



DS114 Disposal 4



Management

3

Rata-rata 366

DS11 Mengelola Data










Data



4 DS114 Pembuangan



Data

Hasil Penilaian




DS11








Rata-rata 32












lain



3 DS123 Akses Fisik


Lingkungan


Hasil Penilaian




Level DS12








Rata-rata 34







11













Keras

Hasil Penilaian












Sub

Domain

Keterangan Hasil

Rata






Rata-rata 32






Defined

Hasil GAP




DS5 309 4 091

DS7 266 3 034

DS11 366 4 034

DS12 32 4 08

DS13 34 4 06


























12








yang telah di audit




32 4 4 ndash 32

Rata-rata 08



















Kesimpulan

























jurnal penelitian














dasarnya saja










Saran

























13










REFERENSI





2013







Yogyakarta 2013







Vol2 No 2 E-ISSN 2527-4864 2017












2017






ISSN 2460 ndash 8416 2017






Informasi 1-16 2014



























8332 2016





Agustus 2017



Media 2007





2011





2014




Vol 2 No 1 2018


14







Nomor 19 ISSN 1907-2430 2012





ISSN 2088-154 2013





15







Abstrak



























Abstract























application vrtedc


1 Pendahuluan
























16

2 Landasan Teori

21 Aplikasi





[1]

22 Multimedia






23 Pemodelan 3d








24 Autodesk Maya








urutan [4]

25 Adobe Audition







26 Virtual Reality












27 Unity3D







28 Android









31 Politeknik TEDC





























17





Dikembangkan

































Reality






18


41 Implementasi
















reality VRtedc









Politeknik TEDC

















51 Kesimpulan







TEDC Bandung





download VRTEDC


19

52 Saran






tampilkan



6 Referensi


Informasi





3ndash11


Guide



Audition






2009


Engine


Introduction


20



Umi Hayati




Abstrak





















efisien



I PENDAHULUAN

















paket wisata [1]








dipakai







21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60



4



5


41 PADA PT ALFALAND





Abstrak


















05 DS 07 DS 11 DS 12 dan DS 13



Abstract



















I PENDAHULUAN





















perusahaan [3][4]





















6





























[6]

II KAJIAN LITERATUR


























Accurate Accounting





COBIT Framework































proses TI [11] [18]













7









[11]





























Maturity Level
















Tahapan Penelitian




gambar 3 adalah

Planning









Lapangan





8







Wawancara










Reporting
























yang di dapat



tersebut


Pemberian saran








prosesnya





9




DS12 DS13


Sub

Domain

Keterangan Hasil










Correction

2



Rata-rata 309













Keamanan





Malicious Software



Hasil Penilaian





DS5




Needs

3



Rata-rata 266














Pelatihan



Hasil Penilaian






10




Management

4



DS114 Disposal 4



Management

3

Rata-rata 366

DS11 Mengelola Data










Data



4 DS114 Pembuangan



Data

Hasil Penilaian




DS11








Rata-rata 32












lain



3 DS123 Akses Fisik


Lingkungan


Hasil Penilaian




Level DS12








Rata-rata 34







11













Keras

Hasil Penilaian












Sub

Domain

Keterangan Hasil

Rata






Rata-rata 32






Defined

Hasil GAP




DS5 309 4 091

DS7 266 3 034

DS11 366 4 034

DS12 32 4 08

DS13 34 4 06


























12








yang telah di audit




32 4 4 ndash 32

Rata-rata 08



















Kesimpulan

























jurnal penelitian














dasarnya saja










Saran

























13










REFERENSI





2013







Yogyakarta 2013







Vol2 No 2 E-ISSN 2527-4864 2017












2017






ISSN 2460 ndash 8416 2017






Informasi 1-16 2014



























8332 2016





Agustus 2017



Media 2007





2011





2014




Vol 2 No 1 2018


14







Nomor 19 ISSN 1907-2430 2012





ISSN 2088-154 2013





15







Abstrak



























Abstract























application vrtedc


1 Pendahuluan
























16

2 Landasan Teori

21 Aplikasi





[1]

22 Multimedia






23 Pemodelan 3d








24 Autodesk Maya








urutan [4]

25 Adobe Audition







26 Virtual Reality












27 Unity3D







28 Android









31 Politeknik TEDC





























17





Dikembangkan

































Reality






18


41 Implementasi
















reality VRtedc









Politeknik TEDC

















51 Kesimpulan







TEDC Bandung





download VRTEDC


19

52 Saran






tampilkan



6 Referensi


Informasi





3ndash11


Guide



Audition






2009


Engine


Introduction


20



Umi Hayati




Abstrak





















efisien



I PENDAHULUAN

















paket wisata [1]








dipakai







21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


5


41 PADA PT ALFALAND





Abstrak


















05 DS 07 DS 11 DS 12 dan DS 13



Abstract



















I PENDAHULUAN





















perusahaan [3][4]





















6





























[6]

II KAJIAN LITERATUR


























Accurate Accounting





COBIT Framework































proses TI [11] [18]













7









[11]





























Maturity Level
















Tahapan Penelitian




gambar 3 adalah

Planning









Lapangan





8







Wawancara










Reporting
























yang di dapat



tersebut


Pemberian saran








prosesnya





9




DS12 DS13


Sub

Domain

Keterangan Hasil










Correction

2



Rata-rata 309













Keamanan





Malicious Software



Hasil Penilaian





DS5




Needs

3



Rata-rata 266














Pelatihan



Hasil Penilaian






10




Management

4



DS114 Disposal 4



Management

3

Rata-rata 366

DS11 Mengelola Data










Data



4 DS114 Pembuangan



Data

Hasil Penilaian




DS11








Rata-rata 32












lain



3 DS123 Akses Fisik


Lingkungan


Hasil Penilaian




Level DS12








Rata-rata 34







11













Keras

Hasil Penilaian












Sub

Domain

Keterangan Hasil

Rata






Rata-rata 32






Defined

Hasil GAP




DS5 309 4 091

DS7 266 3 034

DS11 366 4 034

DS12 32 4 08

DS13 34 4 06


























12








yang telah di audit




32 4 4 ndash 32

Rata-rata 08



















Kesimpulan

























jurnal penelitian














dasarnya saja










Saran

























13










REFERENSI





2013







Yogyakarta 2013







Vol2 No 2 E-ISSN 2527-4864 2017












2017






ISSN 2460 ndash 8416 2017






Informasi 1-16 2014



























8332 2016





Agustus 2017



Media 2007





2011





2014




Vol 2 No 1 2018


14







Nomor 19 ISSN 1907-2430 2012





ISSN 2088-154 2013





15







Abstrak



























Abstract























application vrtedc


1 Pendahuluan
























16

2 Landasan Teori

21 Aplikasi





[1]

22 Multimedia






23 Pemodelan 3d








24 Autodesk Maya








urutan [4]

25 Adobe Audition







26 Virtual Reality












27 Unity3D







28 Android









31 Politeknik TEDC





























17





Dikembangkan

































Reality






18


41 Implementasi
















reality VRtedc









Politeknik TEDC

















51 Kesimpulan







TEDC Bandung





download VRTEDC


19

52 Saran






tampilkan



6 Referensi


Informasi





3ndash11


Guide



Audition






2009


Engine


Introduction


20



Umi Hayati




Abstrak





















efisien



I PENDAHULUAN

















paket wisata [1]








dipakai







21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


6





























[6]

II KAJIAN LITERATUR


























Accurate Accounting





COBIT Framework































proses TI [11] [18]













7









[11]





























Maturity Level
















Tahapan Penelitian




gambar 3 adalah

Planning









Lapangan





8







Wawancara










Reporting
























yang di dapat



tersebut


Pemberian saran








prosesnya





9




DS12 DS13


Sub

Domain

Keterangan Hasil










Correction

2



Rata-rata 309













Keamanan





Malicious Software



Hasil Penilaian





DS5




Needs

3



Rata-rata 266














Pelatihan



Hasil Penilaian






10




Management

4



DS114 Disposal 4



Management

3

Rata-rata 366

DS11 Mengelola Data










Data



4 DS114 Pembuangan



Data

Hasil Penilaian




DS11








Rata-rata 32












lain



3 DS123 Akses Fisik


Lingkungan


Hasil Penilaian




Level DS12








Rata-rata 34







11













Keras

Hasil Penilaian












Sub

Domain

Keterangan Hasil

Rata






Rata-rata 32






Defined

Hasil GAP




DS5 309 4 091

DS7 266 3 034

DS11 366 4 034

DS12 32 4 08

DS13 34 4 06


























12








yang telah di audit




32 4 4 ndash 32

Rata-rata 08



















Kesimpulan

























jurnal penelitian














dasarnya saja










Saran

























13










REFERENSI





2013







Yogyakarta 2013







Vol2 No 2 E-ISSN 2527-4864 2017












2017






ISSN 2460 ndash 8416 2017






Informasi 1-16 2014



























8332 2016





Agustus 2017



Media 2007





2011





2014




Vol 2 No 1 2018


14







Nomor 19 ISSN 1907-2430 2012





ISSN 2088-154 2013





15







Abstrak



























Abstract























application vrtedc


1 Pendahuluan
























16

2 Landasan Teori

21 Aplikasi





[1]

22 Multimedia






23 Pemodelan 3d








24 Autodesk Maya








urutan [4]

25 Adobe Audition







26 Virtual Reality












27 Unity3D







28 Android









31 Politeknik TEDC





























17





Dikembangkan

































Reality






18


41 Implementasi
















reality VRtedc









Politeknik TEDC

















51 Kesimpulan







TEDC Bandung





download VRTEDC


19

52 Saran






tampilkan



6 Referensi


Informasi





3ndash11


Guide



Audition






2009


Engine


Introduction


20



Umi Hayati




Abstrak





















efisien



I PENDAHULUAN

















paket wisata [1]








dipakai







21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


7









[11]





























Maturity Level
















Tahapan Penelitian




gambar 3 adalah

Planning









Lapangan





8







Wawancara










Reporting
























yang di dapat



tersebut


Pemberian saran








prosesnya





9




DS12 DS13


Sub

Domain

Keterangan Hasil










Correction

2



Rata-rata 309













Keamanan





Malicious Software



Hasil Penilaian





DS5




Needs

3



Rata-rata 266














Pelatihan



Hasil Penilaian






10




Management

4



DS114 Disposal 4



Management

3

Rata-rata 366

DS11 Mengelola Data










Data



4 DS114 Pembuangan



Data

Hasil Penilaian




DS11








Rata-rata 32












lain



3 DS123 Akses Fisik


Lingkungan


Hasil Penilaian




Level DS12








Rata-rata 34







11













Keras

Hasil Penilaian












Sub

Domain

Keterangan Hasil

Rata






Rata-rata 32






Defined

Hasil GAP




DS5 309 4 091

DS7 266 3 034

DS11 366 4 034

DS12 32 4 08

DS13 34 4 06


























12








yang telah di audit




32 4 4 ndash 32

Rata-rata 08



















Kesimpulan

























jurnal penelitian














dasarnya saja










Saran

























13










REFERENSI





2013







Yogyakarta 2013







Vol2 No 2 E-ISSN 2527-4864 2017












2017






ISSN 2460 ndash 8416 2017






Informasi 1-16 2014



























8332 2016





Agustus 2017



Media 2007





2011





2014




Vol 2 No 1 2018


14







Nomor 19 ISSN 1907-2430 2012





ISSN 2088-154 2013





15







Abstrak



























Abstract























application vrtedc


1 Pendahuluan
























16

2 Landasan Teori

21 Aplikasi





[1]

22 Multimedia






23 Pemodelan 3d








24 Autodesk Maya








urutan [4]

25 Adobe Audition







26 Virtual Reality












27 Unity3D







28 Android









31 Politeknik TEDC





























17





Dikembangkan

































Reality






18


41 Implementasi
















reality VRtedc









Politeknik TEDC

















51 Kesimpulan







TEDC Bandung





download VRTEDC


19

52 Saran






tampilkan



6 Referensi


Informasi





3ndash11


Guide



Audition






2009


Engine


Introduction


20



Umi Hayati




Abstrak





















efisien



I PENDAHULUAN

















paket wisata [1]








dipakai







21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


8







Wawancara










Reporting
























yang di dapat



tersebut


Pemberian saran








prosesnya





9




DS12 DS13


Sub

Domain

Keterangan Hasil










Correction

2



Rata-rata 309













Keamanan





Malicious Software



Hasil Penilaian





DS5




Needs

3



Rata-rata 266














Pelatihan



Hasil Penilaian






10




Management

4



DS114 Disposal 4



Management

3

Rata-rata 366

DS11 Mengelola Data










Data



4 DS114 Pembuangan



Data

Hasil Penilaian




DS11








Rata-rata 32












lain



3 DS123 Akses Fisik


Lingkungan


Hasil Penilaian




Level DS12








Rata-rata 34







11













Keras

Hasil Penilaian












Sub

Domain

Keterangan Hasil

Rata






Rata-rata 32






Defined

Hasil GAP




DS5 309 4 091

DS7 266 3 034

DS11 366 4 034

DS12 32 4 08

DS13 34 4 06


























12








yang telah di audit




32 4 4 ndash 32

Rata-rata 08



















Kesimpulan

























jurnal penelitian














dasarnya saja










Saran

























13










REFERENSI





2013







Yogyakarta 2013







Vol2 No 2 E-ISSN 2527-4864 2017












2017






ISSN 2460 ndash 8416 2017






Informasi 1-16 2014



























8332 2016





Agustus 2017



Media 2007





2011





2014




Vol 2 No 1 2018


14







Nomor 19 ISSN 1907-2430 2012





ISSN 2088-154 2013





15







Abstrak



























Abstract























application vrtedc


1 Pendahuluan
























16

2 Landasan Teori

21 Aplikasi





[1]

22 Multimedia






23 Pemodelan 3d








24 Autodesk Maya








urutan [4]

25 Adobe Audition







26 Virtual Reality












27 Unity3D







28 Android









31 Politeknik TEDC





























17





Dikembangkan

































Reality






18


41 Implementasi
















reality VRtedc









Politeknik TEDC

















51 Kesimpulan







TEDC Bandung





download VRTEDC


19

52 Saran






tampilkan



6 Referensi


Informasi





3ndash11


Guide



Audition






2009


Engine


Introduction


20



Umi Hayati




Abstrak





















efisien



I PENDAHULUAN

















paket wisata [1]








dipakai







21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


9




DS12 DS13


Sub

Domain

Keterangan Hasil










Correction

2



Rata-rata 309













Keamanan





Malicious Software



Hasil Penilaian





DS5




Needs

3



Rata-rata 266














Pelatihan



Hasil Penilaian






10




Management

4



DS114 Disposal 4



Management

3

Rata-rata 366

DS11 Mengelola Data










Data



4 DS114 Pembuangan



Data

Hasil Penilaian




DS11








Rata-rata 32












lain



3 DS123 Akses Fisik


Lingkungan


Hasil Penilaian




Level DS12








Rata-rata 34







11













Keras

Hasil Penilaian












Sub

Domain

Keterangan Hasil

Rata






Rata-rata 32






Defined

Hasil GAP




DS5 309 4 091

DS7 266 3 034

DS11 366 4 034

DS12 32 4 08

DS13 34 4 06


























12








yang telah di audit




32 4 4 ndash 32

Rata-rata 08



















Kesimpulan

























jurnal penelitian














dasarnya saja










Saran

























13










REFERENSI





2013







Yogyakarta 2013







Vol2 No 2 E-ISSN 2527-4864 2017












2017






ISSN 2460 ndash 8416 2017






Informasi 1-16 2014



























8332 2016





Agustus 2017



Media 2007





2011





2014




Vol 2 No 1 2018


14







Nomor 19 ISSN 1907-2430 2012





ISSN 2088-154 2013





15







Abstrak



























Abstract























application vrtedc


1 Pendahuluan
























16

2 Landasan Teori

21 Aplikasi





[1]

22 Multimedia






23 Pemodelan 3d








24 Autodesk Maya








urutan [4]

25 Adobe Audition







26 Virtual Reality












27 Unity3D







28 Android









31 Politeknik TEDC





























17





Dikembangkan

































Reality






18


41 Implementasi
















reality VRtedc









Politeknik TEDC

















51 Kesimpulan







TEDC Bandung





download VRTEDC


19

52 Saran






tampilkan



6 Referensi


Informasi





3ndash11


Guide



Audition






2009


Engine


Introduction


20



Umi Hayati




Abstrak





















efisien



I PENDAHULUAN

















paket wisata [1]








dipakai







21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


10




Management

4



DS114 Disposal 4



Management

3

Rata-rata 366

DS11 Mengelola Data










Data



4 DS114 Pembuangan



Data

Hasil Penilaian




DS11








Rata-rata 32












lain



3 DS123 Akses Fisik


Lingkungan


Hasil Penilaian




Level DS12








Rata-rata 34







11













Keras

Hasil Penilaian












Sub

Domain

Keterangan Hasil

Rata






Rata-rata 32






Defined

Hasil GAP




DS5 309 4 091

DS7 266 3 034

DS11 366 4 034

DS12 32 4 08

DS13 34 4 06


























12








yang telah di audit




32 4 4 ndash 32

Rata-rata 08



















Kesimpulan

























jurnal penelitian














dasarnya saja










Saran

























13










REFERENSI





2013







Yogyakarta 2013







Vol2 No 2 E-ISSN 2527-4864 2017












2017






ISSN 2460 ndash 8416 2017






Informasi 1-16 2014



























8332 2016





Agustus 2017



Media 2007





2011





2014




Vol 2 No 1 2018


14







Nomor 19 ISSN 1907-2430 2012





ISSN 2088-154 2013





15







Abstrak



























Abstract























application vrtedc


1 Pendahuluan
























16

2 Landasan Teori

21 Aplikasi





[1]

22 Multimedia






23 Pemodelan 3d








24 Autodesk Maya








urutan [4]

25 Adobe Audition







26 Virtual Reality












27 Unity3D







28 Android









31 Politeknik TEDC





























17





Dikembangkan

































Reality






18


41 Implementasi
















reality VRtedc









Politeknik TEDC

















51 Kesimpulan







TEDC Bandung





download VRTEDC


19

52 Saran






tampilkan



6 Referensi


Informasi





3ndash11


Guide



Audition






2009


Engine


Introduction


20



Umi Hayati




Abstrak





















efisien



I PENDAHULUAN

















paket wisata [1]








dipakai







21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


11













Keras

Hasil Penilaian












Sub

Domain

Keterangan Hasil

Rata






Rata-rata 32






Defined

Hasil GAP




DS5 309 4 091

DS7 266 3 034

DS11 366 4 034

DS12 32 4 08

DS13 34 4 06


























12








yang telah di audit




32 4 4 ndash 32

Rata-rata 08



















Kesimpulan

























jurnal penelitian














dasarnya saja










Saran

























13










REFERENSI





2013







Yogyakarta 2013







Vol2 No 2 E-ISSN 2527-4864 2017












2017






ISSN 2460 ndash 8416 2017






Informasi 1-16 2014



























8332 2016





Agustus 2017



Media 2007





2011





2014




Vol 2 No 1 2018


14







Nomor 19 ISSN 1907-2430 2012





ISSN 2088-154 2013





15







Abstrak



























Abstract























application vrtedc


1 Pendahuluan
























16

2 Landasan Teori

21 Aplikasi





[1]

22 Multimedia






23 Pemodelan 3d








24 Autodesk Maya








urutan [4]

25 Adobe Audition







26 Virtual Reality












27 Unity3D







28 Android









31 Politeknik TEDC





























17





Dikembangkan

































Reality






18


41 Implementasi
















reality VRtedc









Politeknik TEDC

















51 Kesimpulan







TEDC Bandung





download VRTEDC


19

52 Saran






tampilkan



6 Referensi


Informasi





3ndash11


Guide



Audition






2009


Engine


Introduction


20



Umi Hayati




Abstrak





















efisien



I PENDAHULUAN

















paket wisata [1]








dipakai







21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


12








yang telah di audit




32 4 4 ndash 32

Rata-rata 08



















Kesimpulan

























jurnal penelitian














dasarnya saja










Saran

























13










REFERENSI





2013







Yogyakarta 2013







Vol2 No 2 E-ISSN 2527-4864 2017












2017






ISSN 2460 ndash 8416 2017






Informasi 1-16 2014



























8332 2016





Agustus 2017



Media 2007





2011





2014




Vol 2 No 1 2018


14







Nomor 19 ISSN 1907-2430 2012





ISSN 2088-154 2013





15







Abstrak



























Abstract























application vrtedc


1 Pendahuluan
























16

2 Landasan Teori

21 Aplikasi





[1]

22 Multimedia






23 Pemodelan 3d








24 Autodesk Maya








urutan [4]

25 Adobe Audition







26 Virtual Reality












27 Unity3D







28 Android









31 Politeknik TEDC





























17





Dikembangkan

































Reality






18


41 Implementasi
















reality VRtedc









Politeknik TEDC

















51 Kesimpulan







TEDC Bandung





download VRTEDC


19

52 Saran






tampilkan



6 Referensi


Informasi





3ndash11


Guide



Audition






2009


Engine


Introduction


20



Umi Hayati




Abstrak





















efisien



I PENDAHULUAN

















paket wisata [1]








dipakai







21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


13










REFERENSI





2013







Yogyakarta 2013







Vol2 No 2 E-ISSN 2527-4864 2017












2017






ISSN 2460 ndash 8416 2017






Informasi 1-16 2014



























8332 2016





Agustus 2017



Media 2007





2011





2014




Vol 2 No 1 2018


14







Nomor 19 ISSN 1907-2430 2012





ISSN 2088-154 2013





15







Abstrak



























Abstract























application vrtedc


1 Pendahuluan
























16

2 Landasan Teori

21 Aplikasi





[1]

22 Multimedia






23 Pemodelan 3d








24 Autodesk Maya








urutan [4]

25 Adobe Audition







26 Virtual Reality












27 Unity3D







28 Android









31 Politeknik TEDC





























17





Dikembangkan

































Reality






18


41 Implementasi
















reality VRtedc









Politeknik TEDC

















51 Kesimpulan







TEDC Bandung





download VRTEDC


19

52 Saran






tampilkan



6 Referensi


Informasi





3ndash11


Guide



Audition






2009


Engine


Introduction


20



Umi Hayati




Abstrak





















efisien



I PENDAHULUAN

















paket wisata [1]








dipakai







21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


14







Nomor 19 ISSN 1907-2430 2012





ISSN 2088-154 2013





15







Abstrak



























Abstract























application vrtedc


1 Pendahuluan
























16

2 Landasan Teori

21 Aplikasi





[1]

22 Multimedia






23 Pemodelan 3d








24 Autodesk Maya








urutan [4]

25 Adobe Audition







26 Virtual Reality












27 Unity3D







28 Android









31 Politeknik TEDC





























17





Dikembangkan

































Reality






18


41 Implementasi
















reality VRtedc









Politeknik TEDC

















51 Kesimpulan







TEDC Bandung





download VRTEDC


19

52 Saran






tampilkan



6 Referensi


Informasi





3ndash11


Guide



Audition






2009


Engine


Introduction


20



Umi Hayati




Abstrak





















efisien



I PENDAHULUAN

















paket wisata [1]








dipakai







21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


15







Abstrak



























Abstract























application vrtedc


1 Pendahuluan
























16

2 Landasan Teori

21 Aplikasi





[1]

22 Multimedia






23 Pemodelan 3d








24 Autodesk Maya








urutan [4]

25 Adobe Audition







26 Virtual Reality












27 Unity3D







28 Android









31 Politeknik TEDC





























17





Dikembangkan

































Reality






18


41 Implementasi
















reality VRtedc









Politeknik TEDC

















51 Kesimpulan







TEDC Bandung





download VRTEDC


19

52 Saran






tampilkan



6 Referensi


Informasi





3ndash11


Guide



Audition






2009


Engine


Introduction


20



Umi Hayati




Abstrak





















efisien



I PENDAHULUAN

















paket wisata [1]








dipakai







21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


16

2 Landasan Teori

21 Aplikasi





[1]

22 Multimedia






23 Pemodelan 3d








24 Autodesk Maya








urutan [4]

25 Adobe Audition







26 Virtual Reality












27 Unity3D







28 Android









31 Politeknik TEDC





























17





Dikembangkan

































Reality






18


41 Implementasi
















reality VRtedc









Politeknik TEDC

















51 Kesimpulan







TEDC Bandung





download VRTEDC


19

52 Saran






tampilkan



6 Referensi


Informasi





3ndash11


Guide



Audition






2009


Engine


Introduction


20



Umi Hayati




Abstrak





















efisien



I PENDAHULUAN

















paket wisata [1]








dipakai







21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


17





Dikembangkan

































Reality






18


41 Implementasi
















reality VRtedc









Politeknik TEDC

















51 Kesimpulan







TEDC Bandung





download VRTEDC


19

52 Saran






tampilkan



6 Referensi


Informasi





3ndash11


Guide



Audition






2009


Engine


Introduction


20



Umi Hayati




Abstrak





















efisien



I PENDAHULUAN

















paket wisata [1]








dipakai







21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


18


41 Implementasi
















reality VRtedc









Politeknik TEDC

















51 Kesimpulan







TEDC Bandung





download VRTEDC


19

52 Saran






tampilkan



6 Referensi


Informasi





3ndash11


Guide



Audition






2009


Engine


Introduction


20



Umi Hayati




Abstrak





















efisien



I PENDAHULUAN

















paket wisata [1]








dipakai







21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


19

52 Saran






tampilkan



6 Referensi


Informasi





3ndash11


Guide



Audition






2009


Engine


Introduction


20



Umi Hayati




Abstrak





















efisien



I PENDAHULUAN

















paket wisata [1]








dipakai







21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


20



Umi Hayati




Abstrak





















efisien



I PENDAHULUAN

















paket wisata [1]








dipakai







21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


21










berikut


Model

Sekuensial Linear

III LANDASAN TEORI

31 Paket Wisata


















wisatawan






































22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


22





35 Use Case Diagram














[4]






























TABEL 1


Aktor User

Kode Deskripsi


agent

SRS-F-2 Tampil info





SRS-F-7 Pilih hotel








23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


23




TABEL 2


Aktor Admin

Kode Deskripsi

SRS-F-17 Login


SRS-F-19 Logout

SRS-F-20 Pilih Data


SRS-F-22 Input data


SRS-F-24 Hapus data

SRS-F-25 Ubah Data





FUNGSIONAL

Kode Deskripsi


secara online



3 Usecase Diagram















gambar berikut


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


24







elemen [5]










25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


25






26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


26



























menggunakan rumus

Keteranga


kelas

klasifikasi)


Rumus Gain

keterangan

A atribut


untuk atribut A


untuk atribut A



27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


27





Rekomendasi = 6


Total = 25

Entropy = (-625 x log2 625) + (-1925+ log2

1925)

= 024 x (2058) + 076 (0395)

= 0493 + 0300

= 0743


a Paket wisata

Sbali = [3+10-]

SExotic = [3+12-]



Gain (SA) = 0114

b Lama Tour

Sover = [6+13-]

Shalf = [0+6-]



Gain (SA) = 0111

c Transportasi

Sinclude = [6+9-]

SExclude = [0+10-]


Entropi Sexcl = 0

Gain (SA) = 02116

d Jenis Wisata


Salam = [2+5-]



Gain (SA) = 0163

e Tujuan wisata

Sref = [6+13-]

SEdukasi = [0+6-]



Gain (SA) = 0110

Kumpulan Gain

Paket Wisata = 0114

Lama Tour = 0111

Transport = 0969

Jenis Wisata = 0163





28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


28


V KESIMPULAN



sebagai berikut



travelling








disukai





lainnya

REFERENSI

















MIPA UPI




29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


29



Feri Sulianta



















evidence samples



I INTRODUCTION















known as forensic












Computer system

Computer network









development








legal violations


incidents



software




30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


30

II METHODOLOGY































transportation

B Forensic Model











make it say expert















an examiner






















including

bull Collection

bull Testing

bull Analysis

bull Report







procession


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


31

















itself















might be found


































32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


32


HKU DEFAULT





configuration)










Table 1



HKU HKEY_USERS





HKDD HKEY_DYN_DATA




example


cwindowsregdat


cwindows





IV RESULTS

















erRun


CurrentVersionRun




CurrentVersionRun



- ProfilePathStart

MenuProgramsStartup



dan Fig 5


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


33













ExplorerTypedUrl















34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


34

V CONCLUSION











system counters














investigation

ACKNOWLEDGMENT


University

REFERENCES










35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


35










ABSTRAK





























PENDAHULUAN























36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


36







Rumusan Masalah











Batasan Penelitan


ini sebagai berikut










penjadwalan PERT




dan durasi waktu

Tujuan Penelitian







diminimalkan





sebelumnya

LANDASAN TEORI

21 Manajemen








22 Penjadwalan






23 Metode PERT







METODE PENGERJAAN




Pengumpulan Data

Analisis Kebutuhan

Desain sistem

Impelementasi

Pengujian



37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


37

PEMBAHASAN





38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


38

ANALISIS KEBUTUHAN


Lunak


N

o

Perangk

at Keras

Spesifikasi


CPU B960 220GHz (2

CPUs) ~22GHz

2 Memory 4096MB RAM

3 Hardisk 500 GB




N

o

Perangkat

Lunak

Keterangan

1 Operating

Sistem

Windows 7

2 Server Side PHP


JAVASCRIPT


5 Database

Server

MySQL 5018


Chrome

7 Code

Editor

Sublime Text 2

8 UML

Modeler

STAR UML

IMPELEMENTASI





direncanakan



PENGUJIAN









aplikasi


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


39



diharapkan

Hasil

didapat

Kesimpul

an


Menginputkan

user yang terdaptar

di database

Username dan

password valid

Menampil

kan menu utama

Menu

utama berhasil

ditampilkan

Diterima


Menginputkan

usernamepassword

yang tidak sesuai

dalam database

Username dan


Menampil

kan pesan error

Sistem

berhasil

menampilkan

username atau

password

salah

Diterima

KESIMPULAN







yang dilalui







Technique (PERT)






SARAN






friendly




direquest oleh user





DAFTAR REFERENSI












2008


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


40
















No 1 Pp 609ndash620 2013













41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


41





Retno Paryati



Ari Purno Wahyu



Abstrak

















































42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


42

1LATAR BELAKANG





































2LANDASAN TEORI

21 Tanaman Kopi

































L HAM15 5 ]


















L BAN 7 ]


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


43

3METODE PENELITIAN








menjadi stabil

Greenhouse sistem




Keterangan














dan arus AC


8500mm

1800

0mm

TEMPAT KENDALI

Greean bean

49 sq m

Greean bean

49 sq m

2200mm

2500mm

Kendali

Ventilasi

Kendali suhu


Keterangan









dan tenaga


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


44

Proses kendali


Keterangan













Keterangan







lampu pemamas


Keterangan






Keterangan








proses rousting


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


45


Keterangan

















Keterangan










Keterangan





5KESIMPULAN












46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


46










computing

REFERENSI

[

1]




[

2]




2 no 1 april 2013

[

3]




[

4]



2012

[

5]






[

6]





[

7]





































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60



































Mandiri are 916259 959425 and 941434








526 = 497


BACKGROUND





















created a portfolio































layer



greater than 82


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


48





RESEARCH DESIGN


2

3

4

6

8

9

Start

1

End

125

10 11

14

15

7

13


Legends


2 Backpropagation



49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


49


BCA Mandiri)



Mandiri)

(tn ndash tn-1)



1 plot




from 3 banks


price from 3 banks



14 Plot portfolio

15 Result analysis

1 Raw data







Mandiri stocks





and 8020

1) Training process




b Training Process







shown in Figure 2

2) Testing Process




b Testing Process


c Prediction result




shown in Figure 3


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


50

3 Prediction plot









Start

End

Close Price

Stock Data

for training

Weight and bias

initialization

Counting SUM

and activation

function on hidden

layer

Counting SUM

and activation

function on Output

layer

Counting error

Tolerance error


reached

Counting error

Output

Update weight and

bias Output

Counting error

on hidden layer

Update weight and

bias in hidden

layer

Update

weight and

bias

Yes

No



51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


51

Start

End

Close Price

Stock Data

for testing

Counting error

on hidden layer

Counting error

Output

Weight and

bias value

from Training

model result

Prediction

Result


4 Portfolio plot













Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


f Result Analysis




52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


52


N

o


Data

Testing Total

Data

1

Daily

60 736 40 490

2 70 858 30 368

3 80 981 20 245

4

Weekly

60 155 40 103

5 70 181 30 77

6 80 206 20 52

7

Monthly

60 36 40 24

8 70 42 30 18

9 80 48 20 12

EXPERIMENT RESULT



N

o

Bank

Data

type


1

BNI

Daily

60 736 979652 40 490 97956

2 70 858 979903 30 368 979066

3 80 981 980134 20 245 977474

4

Weekly

60 155 969404 40 103 961172

5 70 181 968367 30 77 96017

6 80 206 968925 20 52 954247

7

Monthly

60 36 922304 40 24 930717

8 70 42 92384 30 18 930797

9 80 48 928769 20 12 916259

1

0

BCA Daily

60 736 980013 40 490 984043

1

1

70 858 980028 30 368 983903


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


53

N

o

Bank

Data

type


1

2

80 981 979829 20 245 982266

1

3

Weekly

60 155 973678 40 103 974292

1

4

70 181 97447 30 77 973375

1

5

80 206 975270 20 52 970631

1

6

Monthly

60 36 937236 40 24 966982

1

7

70 42 943474 30 18 962256

1

8

80 48 946175 20 12 959425

1

9

Mandiri

Daily

60 736 978848 40 490 982297

2

0

70 858 979111 30 368 982633

2

1

80 981 979246 20 245 978942

2

2

Weekly

60 155 964793 40 103 968952

2

3

70 181 965508 30 77 969584

2

4

80 206 967027 20 52 965706

2

5

Monthly

60 36 923449 40 24 950939

2

6

70 42 928416 30 18 951057

2

7

80 48 933736 20 12 941434


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


54








BNI BCA Mandiri

Buy IDR 6100


shares (IDR 610000)

Selling

IDR 72709092

(IDR

72709092)

Profit

IDR

11709092share or

IDR 11709092

(1919)

Buy IDR

13125 as much as 1


1312500)

Selling

IDR

154454704

(IDR

154454704)

Profit

IDR

23204704share or

IDR 23204704

(1768)

Buy IDR

53875 as much as 1

lot or 100 shares

(IDR 538750)

Selling

IDR

62348643

(IDR

62348643)

Profit

IDR

8473643share or

IDR 8473643

(1573)




Weight and

bias value from

Training model

result

Prediction

from testing

process

Start

End

Making plot from

testing data from

each stock (BNI

BCA and Mandiri)



BCA and Mandiri)

Prediction

Result from

testing

process


CONCLUSION




data









55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


55









5757




5757 - 526 = 497

RECOMMENDATION






REFERENCES








p=BBNIJK


p=BBRIJK


p=BMRIJK





October 13 2015






Gramedia





page 153






91












2013





56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


56



Ima Ratnasari





Chevy Herli Sumerli




chevyhsaunpasacid

Abstrak













Abstract










software


PENDAHULUAN

































57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


57



sepatu Cibaduyut

KAJIAN LITERATUR























negeri sendiri





technology)




technology)

















canggih















































58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


58



Ergonomika pada TI









1 Perangkat kertas

2 Perangkat lunak


4 Fasilitas








Infoware

Informasi

produk

Informasi

produk

Humanware

Kualitas

produk yang

dihasilkan

Kualitas

produk yang

dihasilkan

Orgaware

Pemilihan

bahan baku

Pemilihan

bahan bakuProses

produksi

Proses

produksi


Pemesanan

produk

Pemesanan

produk

Penentuan

harga produk

Penentuan

harga produk

Technoware

Teknologi

mesin yang

digunakan

Teknologi

mesin yang

digunakan


Variabel Infoware




































dijalankan









perangkat lunak

REFERENSI






59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


59






McGraw-Hill 2000


Yoogyakarta 2008


Bandung 2014




60


60