Model of Artificial Neural Networks in Predictions of Corn Productivity in an Effort to Overcome Imports in Indonesia

Wanto, Anjar; Hartama, Dedy; Bhawika, Gita Widi; Chikmawati, Zulifah; Hutauruk, Deswidya Sukrisna; Siregar, Pinondang Hotria; Marpaung, Ricard Fredrik; Efendi, Salim; Gultom, Imeldawaty; Windarto, Agus Perdana

doi:10.1088/1742-6596/1339/1/012057

Cited by 18 publications

(10 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Tujuannya adalah untuk memberikan alat prediksi yang efektif bagi para pelaku industri kopi dalam mengambil keputusan bisnis terkait ekspor kopi. Pada saat ini, teknik prediksi ekspor kopi masih menggunakan metode-metode konvensional seperti regresi [4], [5], yang belum optimal dalam memprediksi hasil ekspor kopi. Hal ini disebabkan oleh kompleksitas data ekspor kopi yang sangat tinggi.…”

Section: Pendahuluanunclassified

Optimasi Fungsi Pembelajaran Jaringan Saraf Tiruan dalam Meningkatkan Akurasi pada Prediksi Ekspor Kopi Menurut Negara Tujuan Utama

Ridho

Ariana²,

Windarto

2023

bits

View full text Add to dashboard Cite

In the learning process carried out by Backpropagation the learning function is important in finding optimal results. This study aims to optimize the learning function of artificial neural networks in increasing the accuracy of coffee export predictions according to the main destination countries as research objects. This study applies the learning function to weights in Matlab, namely Gradient Descent with Adaptive Learning Rate (traingda), Gradient Descent with Momentum (traingdm), and Gradient Descent with Momentum and Adaptive Learning Rate (trainingdx) using several hidden layers, namely 15,30 and 45. Based on a series of trials conducted, the results of the study show that by implementing the Gradient Descent learning function with an Adaptive Learning Rate (trainingda) with a hidden layer of 30 it is capable of training neural networks with a better level of optimization, performing 143 iterations which produces a truth accuracy of 83%. When compared with the use of other learning functions that only last with an accuracy of no more than 78%. In general, it can be concluded that the optimization of the Gradient Descent learning function with Adaptive Learning Rate (trainda) can be applied to predict coffee exports according to the main destination countries, because the iterative process carried out to achieve convergence in increasing accuracy performs well

show abstract

Section: Pendahuluanunclassified

Optimasi Fungsi Pembelajaran Jaringan Saraf Tiruan dalam Meningkatkan Akurasi pada Prediksi Ekspor Kopi Menurut Negara Tujuan Utama

Ridho

Ariana²,

Windarto

2023

bits

View full text Add to dashboard Cite

show abstract

“…Dari permasalahan tersebut dirumuskan pemecahan masalah untuk memprediksi jumlah siswa Sekolah Dasar dengan menggunakan Jaringan Saraf Tiruan Backpropagation [12], [13], [15], [17]. Tujuan penelitian ini adalah membangun model Jaringan Saraf Tiruan Backpropagation yang tepat untuk memprediksi jumlah siswa Sekolah Dasar di Kecamatan Siantar Barat.…”

Section: Pendahuluanunclassified

Penerapan Pemilihan Model Arsitektur Terbaik pada Neural Network pada Prediksi Jumlah Siswa SD di Kecamatan Siantar Barat

Ramadhani

Siregar

Rahadjeng

et al. 2022

bits

View full text Add to dashboard Cite

The use of the artificial neural network (Backpropagation) method can be used in determining the best architectural model for predicting the number of elementary school students in the Siantar Barat District. The dataset used is a dataset on the number of Elementary School (SD) students in West Siantar District, Pematang Siantar City in 2017-2021 obtained from the Website of the Ministry of Education, Culture, Research and Technology of the Republic of Indonesia (https://dapo.kemdikbud.go.id /pd/3/076303). The dataset is then divided into 2 parts, namely the training and testing dataset. In the training datasets, attribute X1 is a dataset for 2017, X2 is the dataset for 2018, X3 is a dataset for 2019, and attribute Y (target) is the dataset for 2020. For the test datasets, attribute X1 is the dataset for 2018, attribute X2 is a dataset for 2019, attribute X3 is a dataset for 2020 and attribute Y (target) is a dataset for 2021. The results obtained from the analysis of the Backpropagation and virtualization methods using the MatLab application can be generated with a valid dataset and produce an accuracy rate of 87.5% in architectural models 3-9-1. So that the Backpropagation method can be used as a prediction method that makes it very easy to find predictions.

show abstract

“…Untuk memprediksi dapat diselesaikan dengan analisa gambar yang diperoleh berdasarkan pola kejadian yang dimasa lampau. Mengingat kemampuan jaringan sysraf tiruan untuk membuat generalisasi dari apa yang sudah sebelumnya [17]. Backpropagation merupakan ANN Multi-Layer Network nilai output yang diketahui sehingga target nilai error paling rendah bisa didapatkan pada suatu algoritma dengan melakukan berulang di antara hasil prediksi [18].…”

Section: Metode Penelitianunclassified

Prognosis Jumlah Mahasiswa Baru Menggunakan Backpropogation Algorithm Pada Fakultas Teknik dan Ilmu Komputer Universitas Dharmawangsa

Satria¹,

Rahmah

2021

JurTI

View full text Add to dashboard Cite

Jumlah pendaftaran mahasiswa baru di Fakultas Teknik dan Ilmu Komputer Universitas Dharmawangsa setiap tahunnya mengalami peningkatan dan juga mengalami pernurunan dibeberapa program studi sehingga jumlah mahasiswa baru di Fakultas Teknik dan Ilmu Komputer Universitas Dharmawangsa tidak stabil. Untuk hal itu akan lebih baik jika penyelenggara mampu melakukan antisipasi untuk meminimalisir kelemahan yang ada dengan membuat model prognosis dalam melakukan prediksi jumlah mahasiswa baru yang akan masuk ke universitas. Sistem jaringan syaraf tiruan menggunakan metode backpropagation yang diterapkan dalam penelitian ini untuk peramalan penjulan produk dan diharapkan dapat membantu memecahkan masalah dalam prognosis jumlah mahasiswa baru. Penelitian ini bertujuan untuk membangun sistem yang dapat untuk mengetahui hasil prediksi jumlah calon mahasiswa baru melalui program Jaringan Syaraf Tiruan Algoritma Backpropagation. Sumber data yang dipergunakan adalah data mahasiswa baru yang mendaftar tiap tahun diantaranya data mahasiswa baru pada 3 program studi yang saya dapat 5 tahun terakhir dari tahun 2016 sampai dengan tahun 2020. Hasil dari penelitian ini nantinya menghasilkan sebuah aplikasi berbasis web yang dapat memprediksi jumlah mahasiswa baru yang akan menempuh pendidikan pada Fakultas Teknik dan Ilmu Komputer Universitas Dharmawangsa dan menjadikan rekomendasi kepada pihak Universitas Dharmawangsa terkait strategi apa yang dapat digunakan untuk meningkatkan jumlah mahasiswa baru nantinya

show abstract

Model of Artificial Neural Networks in Predictions of Corn Productivity in an Effort to Overcome Imports in Indonesia

Cited by 18 publications

References 13 publications

Optimasi Fungsi Pembelajaran Jaringan Saraf Tiruan dalam Meningkatkan Akurasi pada Prediksi Ekspor Kopi Menurut Negara Tujuan Utama

Optimasi Fungsi Pembelajaran Jaringan Saraf Tiruan dalam Meningkatkan Akurasi pada Prediksi Ekspor Kopi Menurut Negara Tujuan Utama

Penerapan Pemilihan Model Arsitektur Terbaik pada Neural Network pada Prediksi Jumlah Siswa SD di Kecamatan Siantar Barat

Prognosis Jumlah Mahasiswa Baru Menggunakan Backpropogation Algorithm Pada Fakultas Teknik dan Ilmu Komputer Universitas Dharmawangsa

Contact Info

Product

Resources

About