Implementasi Recurrent Neural Network dalam Memprediksi Kepadatan Restoran Berbasis LSTM

Abstract

In this modern era, restaurants are becoming very popular, especially in big cities. However, this can lead to density or queues of visitors at a restaurant, which should be avoided during the current Covid-19 pandemic. So that accurate information that can predict the density of restaurant will be very useful. In predicting the density of restaurants, data processing on the number of visitors obtained from one of the restaurants is carried out using artificial intelligence in the form of LSTM (Long Short Term Memory) RNN (Recurrent Neural Network). The results of the research on Recurrent Neural Network based on LSTM (Long Short Term Memory) at the best learning rate parameter of 0.001 and a maximum epoch of 2000 resulted in an MSE value of 0.00000278 on the training data and 0.0069 on the test data

Implementasi Algoritma Convolutional Neural Network dalam Mengidentifikasi Dini Penyakit pada Mata Katarak

“…Jika elemennya negatif maka nilainya dapat diatur atau dikembalikan ke 0, tidak ada operasi perkalian atau pembagian seperti halnya pada operasi eksponensial. Persamaan rumus fungsi aktivasi Rectified Linear Unit (ReLU) dapat dilihat pada gambar 4 [18].…”

Gold Price Prediction Based on Gold.org Data Using the Long Short Term Memory Method

“…Salah satu kelemahan RNN adalah metode ini sulit diterapkan apabila data memiliki urutan yang panjang. Metode LSTM muncul untuk mengatasi masalah ketergantungan jangka panjang tersebut dengan menyediakan "gerbang" memori ke sel hidden layer [12].…”

Peramalan Emisi Karbon Menggunakan Metode SARIMA dan LSTM

“…Long Short Term Memory atau LSTM merupakan salah satu metode yang memiliki arsitektur yang sama dengan Recurrent Neural Network (RNN) [11]. Di mana RNN juga merupakan salah satu metode dalam Jaringan Syaraf Tiruan (JST) yang menerapkan data sekuensial dalam arsitekturnya [16]. Jaringan Syaraf Tiruan atau JST merupakan suatu metode yang diadopsi dari jaringan syaraf biologis untuk mempelajari sesuatu [17].…”

“…LSTM akan memproses data yang masuk secara berulang-ulang. Perulangan pada diri sendiri terjadi di setiap output dari hidden layer, begitu seterusnya hingga memperoleh hasil output yang dirasa paling akurat [16]. LSTM memungkinkan untuk menambahkan memory cell yang dapat menyimpan informasi untuk jangka waktu yang lama [20].…”

“…LSTM memungkinkan untuk menambahkan memory cell yang dapat menyimpan informasi untuk jangka waktu yang lama [20]. Bagian dari memory cell dan gate unit digunakan sebagai fungsi pengaturan memori pada setiap neuron [16]. Arsitektur pada LSTM terdiri atas memory cell, input gate, output gate, dan forget gate.…”