Optimasi Prediksi Dengan Algoritma Backpropagation Dan Conjugate Gradient Beale-Powell Restarts

Wanto, Anjar

doi:10.25077/teknosi.v3i3.2017.370-380

Cited by 37 publications

(38 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Banyak cabang ilmukomputer yang dapat menyelesaikan permasalahanyang bersifat kompleks. Hal ini terbukti dari penelitian terdahulu oleh para peneliti dalam menyelesaikan permasalahan dalam bidang Sistem Pendukung Keputusan [3]- [14], data mining [15]- [19], maupun dalam bidangjaringan saraf tiruan [20]- [31], yang kesemuanya merupakan rumpun dari kecerdasan buatan. Makadengan melihat permasalahan yang diuraikan tersebut, peneliti bermaksud untuk membuat sebuah penerapanartificial intelligence, yaknimemprediksi tingkat APS menggunakan Neural Network Backpropagation dengan fungsi Gradient Descent.…”

Section: Pendahuluanunclassified

Prediksi Angka Partisipasi Sekolah dengan Fungsi Pelatihan Gradient Descent With Momentum & Adaptive LR

Wanto

2019

Algoritma

Self Cite

View full text Add to dashboard Cite

School Participation Rate (APS) is known as one of the indicators of the success of the development of educational services in regions both Province, Regency or City in Indonesia. The higher the value of the School Participation Rate, then the area is considered successful in providing access to education services. The purpose of this study is to predict School Participation Rates based on Provinces in Indonesia from Aceh to Papua. The prediction algorithm used is the backpropagation algorithm using the gradient descent with momentum & adaptive LR (traingdx) training function. Traingdx is a network training function that updates weight values and biases based on gradient descent momentum and adaptive learning levels. Usually, the backpropagation algorithm uses the gradient descent backpropagation (traingd) function, but in this study, the training function used is using gradient descent with momentum & adaptive LR (traingdx). The data used in this study data on School Participation Figures for each province in Indonesia in 2011-2017 aged 19-24 years were taken from the Indonesian Central Bureau of Statistics (BPS). The reason for choosing this age range is because at this age is one of the factors that determine the success of education in a country, especially Indonesia. This study uses 3 network architecture models, namely: 5-5-1, 5-15-1 and 5-25-1. Of the 3 models, the best model is 5-5-1 with an iteration of 130, the accuracy of 94% and MSE 0,0008708473. This model is then used to predict School Participation Rates in each province in Indonesia over the next 3 years (2018-2020). These results are expected to help the Indonesian government to further increase scholarships and improve the quality of education in the future.. Keywords: Prediction, APS, Backpropagation, Traingdx.

show abstract

Section: Pendahuluanunclassified

Prediksi Angka Partisipasi Sekolah dengan Fungsi Pelatihan Gradient Descent With Momentum & Adaptive LR

Wanto

2019

Algoritma

Self Cite

View full text Add to dashboard Cite

show abstract

“…Jaringan saraf tiruan backpropagation adalah metode yang paling mudah dipahami dan mempunyai konsep belajar yang sederhana dibandingkan metode-metode yang lain. Jarinagn saraf tiruan pertama kali diperkenalkan oleh Rumelhart, Hinton dan William pada tahun 1986, kemudian Rumelhart dan McClelland mengembangkannya metode ini pada tahun 1988 [13].…”

Section: Algoritma Backpropagationunclassified

Penerapan Jaringan Saraf Tiruan Dalam Memprediksi Gizi Balita Pada Puskesmas Siantar Utara Kota Pematangsiantar

2019

View full text Add to dashboard Cite

The North Siantar Health Center's Puskesmas is a health sector engaged in public health sciences, at the Office of the North Siantar Sub-District of Pematangsiantar City conducted research with the Nutritional research variables under five months of age. attacked by various diseases ranging from external diseases and internal diseases. Artificial Neural Network is a method of grouping and separating data whose working principle is the same as Human Neural Networks, this Science processes systems and structures so that they become information.

show abstract

“…Diharapkan dengan adanya penggunaan metode ini maka akan didapatkan hasil prediksi seperti yang diinginkan, apalagi Backpropagation telah banyak dan berhasil diterapkan dalam beragam aplikasi, seperti pengenalan pola, pemilihan lokasi dan evaluasi kinerja. Dalam menghasilkan algorima yang bagus pemilihan parameter haruslah tepat [3] [4].…”

Section: Pendahuluanunclassified

Prediksi Harga Eceran Beras Di Pasar Tradisional Di 33 Kota Di Indonesia Menggunakan Algoritma Backpropagation

2018

Self Cite

View full text Add to dashboard Cite

Abstrak — Beras merupakan makanan pokok yang paling banyak dikonsumsi oleh masyarakat Indonesia. Tingginya kebutuhan pangan terutama beras memaksa pemerintah dan penduduk untuk menerima tingginya harga eceran beras. Tujuan penulis melakukan penelitian ini untuk memprediksi harga eceran beras terhitung 2017-2020 dengan menggunakan algoritm backpropagation. Dalam penggunaannya algoritma backpropagation ini sangat baik untuk melakukan tugas prediksi dengan tingkat kesalahan yang cukup rendah. Data pada penelitian ini diperoleh dari Badan Pusat Statistik (BPS) Indonesia. Penelitian ini menggunakan 5 arsitektur antara lain : 4-25-1, 4-35-1, 4-40-1, 4-42-1, 4-45-1 dengan learning rate 0,09. Dari ke 5 Arsitektur ini, arsitektur terbaiknya adalah 4-45-1 dengan tingkat akurasi sebesar 88%, epoch 12718 iterasi dan waktu 1 menit 14 detik.Kata kunci— Prediksi, Harga, Beras, Indonesia, Backpropagation. Abstract — Rice is the staple food most consumed by the people of Indonesia. The high demand for food, especially rice, forced the government and residents to accept the high retail price of rice. The purpose of the authors to do this research to predict the retail price of rice counted 2017-2020 using backpropagation algorithm. In its use the backpropagation algorithm is excellent for performing prediction tasks with a fairly low error rate. The data in this study were obtained from the Indonesian Central Bureau of Statistics (BPS). This study uses 5 architectures, among others: 4-25-1, 4-35-1, 4-40-1, 4-42-1, 4-45-1. From the 5th Architecture, the best architecture is 4-45-1 with an accuracy of 88%, epoch 12718 iteration and 1 minute 14 seconds.Keywords — Prediction, Price, Rice, Indonesia, Backpropagation.

show abstract

Optimasi Prediksi Dengan Algoritma Backpropagation Dan Conjugate Gradient Beale-Powell Restarts

Cited by 37 publications

References 9 publications

Prediksi Angka Partisipasi Sekolah dengan Fungsi Pelatihan Gradient Descent With Momentum & Adaptive LR

Prediksi Angka Partisipasi Sekolah dengan Fungsi Pelatihan Gradient Descent With Momentum & Adaptive LR

Penerapan Jaringan Saraf Tiruan Dalam Memprediksi Gizi Balita Pada Puskesmas Siantar Utara Kota Pematangsiantar

Prediksi Harga Eceran Beras Di Pasar Tradisional Di 33 Kota Di Indonesia Menggunakan Algoritma Backpropagation

Contact Info

Product

Resources

About