OPTIMASI JARINGAN SYARAF TIRUAN (JST) BACKPROPAGATION MENGGUNAKAN ALGORITMA ADABOUND UNTUK MEMPREDIKSI PENJUALAN MINUMAN RINGAN

Mubarok, Rifki (2022) OPTIMASI JARINGAN SYARAF TIRUAN (JST) BACKPROPAGATION MENGGUNAKAN ALGORITMA ADABOUND UNTUK MEMPREDIKSI PENJUALAN MINUMAN RINGAN. Sarjana thesis, Universitas Siliwangi.

[img] Text
1_COVER_TA_RIFKI_MUBAROK_177006078.pdf
Download (331kB)
[img] Text
2_PENGESAHAN_TA_RIFKI_MUBAROK_177006078_SIGNED.pdf
Download (10MB)
[img] Text
3_ABSTRAK_TA_RIFKI_MUBAROK_177006078.pdf
Download (125kB)
[img] Text
4_PENGANTAR_TA_RIFKI_MUBAROK_177006078.pdf
Download (159kB)
[img] Text
5_BAB1_TA_RIFKI_MUBAROK_177006078.pdf
Download (121kB)
[img] Text
6_BAB2_TA_RIFKI_MUBAROK_177006078.pdf
Download (592kB)
[img] Text
7_BAB3_TA_RIFKI_MUBAROK_177006078.pdf
Download (327kB)
[img] Text
8_BAB4_TA_RIFKI_MUBAROK_177006078.pdf
Restricted to Repository staff only
Download (1MB)
[img] Text
9_BAB5_TA_RIFKI_MUBAROK_177006078.pdf
Restricted to Repository staff only
Download (107kB)
[img] Text
10_PUSTAKA_TA_RIFKI_MUBAROK_177006078.pdf
Download (117kB)
[img] Text
11_LAMPIRAN_TA_RIFKI_MUBAROK_177006078.pdf
Restricted to Repository staff only
Download (5MB)

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

Item Type: Thesis (Sarjana)
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik > Informatika
Depositing User: Rema Puri Irma Sri Katon
Date Deposited: 30 Dec 2022 00:47
Last Modified: 30 Dec 2022 00:47
URI: http://repositori.unsil.ac.id/id/eprint/7982

Actions (login required)

View Item View Item