OPTIMASI JARINGAN SYARAF TIRUAN (JST)
BACKPROPAGATION MENGGUNAKAN
ALGORITMA ADABOUND UNTUK MEMPREDIKSI
PENJUALAN MINUMAN RINGAN
Total View This Week0
Total View This Week0
Institusion
Universitas Siliwangi
Author
Mubarok, Rifki
Subject
T Technology (General)
Datestamp
2022-12-30 00:47:54
Abstract :
ABSTRAK Algoritma Jaringan Syaraf Tiruan (JST) umum digunakan untuk melakukan prediksi karena kemampuan meniru proses dalam mengolah informasi dan menyelesaikan permasalahan. Metode backpropagation biasa digunakan dalam mengembangkan model pada proses pelatihan yang bertujuan untuk meningkatkan akurasi namun memiliki masalah pada kecepatan konvergensi pelatihan cukup lambat yang disebabkan pemilihan learning rate. JST backpropagation pada penelitian ini akan dikembangkan dengan menerapkan optimasi Adabound, optimasi ini memiliki karakteristik penggunaan learning rate yang dinamis dengan inisialisasi batas atas dan bawah pada prose pelatihan untuk mengatasi permasalahan pada learning rate. Tahapan penelitian yang dilakukan adalah pengumpulan data, pengolahan data, perancangan model, pengujian model dan evaluasi. JST Backpropagation dengan optimasi Adabound diuji dengan dataset penjualan minuman ringan. Eksperimen yang dilakukan menunjukan bahwa optimasi JST Backpropagation menggunakan algoritma Adabound mendapat nilai Mean Absolute Error (MAE) 123 dan waktu pelatihan 1 menit 12 detik, dengan arsitektur jaringan paling optimal pada 7-128-64-1 memiliki nilai error 0.01. Kata Kunci: Adabound, Backpropagation, Prediksi penjualan
ABSTRAK Algoritma Jaringan Syaraf Tiruan (JST) umum digunakan untuk melakukan prediksi karena kemampuan meniru proses dalam mengolah informasi dan menyelesaikan permasalahan. Metode backpropagation biasa digunakan dalam mengembangkan model pada proses pelatihan yang bertujuan untuk meningkatkan akurasi namun memiliki masalah pada kecepatan konvergensi pelatihan cukup lambat yang disebabkan pemilihan learning rate. JST backpropagation pada penelitian ini akan dikembangkan dengan menerapkan optimasi Adabound, optimasi ini memiliki karakteristik penggunaan learning rate yang dinamis dengan inisialisasi batas atas dan bawah pada prose pelatihan untuk mengatasi permasalahan pada learning rate. Tahapan penelitian yang dilakukan adalah pengumpulan data, pengolahan data, perancangan model, pengujian model dan evaluasi. JST Backpropagation dengan optimasi Adabound diuji dengan dataset penjualan minuman ringan. Eksperimen yang dilakukan menunjukan bahwa optimasi JST Backpropagation menggunakan algoritma Adabound mendapat nilai Mean Absolute Error (MAE) 123 dan waktu pelatihan 1 menit 12 detik, dengan arsitektur jaringan paling optimal pada 7-128-64-1 memiliki nilai error 0.01. Kata Kunci: Adabound, Backpropagation, Prediksi penjualan
File :
1_COVER_TA_RIFKI_MUBAROK_177006078.pdf
2_PENGESAHAN_TA_RIFKI_MUBAROK_177006078_SIGNED.pdf
11_LAMPIRAN_TA_RIFKI_MUBAROK_177006078.pdf
3_ABSTRAK_TA_RIFKI_MUBAROK_177006078.pdf
4_PENGANTAR_TA_RIFKI_MUBAROK_177006078.pdf
5_BAB1_TA_RIFKI_MUBAROK_177006078.pdf
6_BAB2_TA_RIFKI_MUBAROK_177006078.pdf
7_BAB3_TA_RIFKI_MUBAROK_177006078.pdf
8_BAB4_TA_RIFKI_MUBAROK_177006078.pdf
9_BAB5_TA_RIFKI_MUBAROK_177006078.pdf
10_PUSTAKA_TA_RIFKI_MUBAROK_177006078.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
