Optimasi Levenberg-Marquardt backpropagation dalam Mempercepat Pelatihan Backpropagation

Azhar Fadilah Zuhri, Agus Perdana Windarto, Iin Parlina, M. Safii, Sundari Retno Andani

Abstract


Arficial Neural Network (ANN) merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Metode ini dapat membantu dalam memecahkan masalah terutama prediksi. Backpropagation mempunya titik lemahnya. Hasil yang diperoleh backpropagation sangat terpengaruh terhadap penentuan parameter sehingga konvergensi menjadi sangat lambat. Maka dibutuhkan sebuah metode optimasi untuk mempercepat pelatihan metode bakpropagation. Metode optimasi lavenberg-marquardt merupakan salah satu solusinya, algoritma ini sangat tepat digunakan untuk melakukan training pada aplikasi dengan skala permasalahan kecil hingga menengah sehingga mampu memberikan hasil yang optimal. Data yang digunakan adalah data Angka Partisiasi Kasar Perguruan Tinggi di Indonesia dari tahun 2015-2020 berdasarkan provinsi. Hasil yang diperoleh dari beberapa pengujian data dengan percobaan arsitektur 3-5-1, 3-20-1, 3-37-1, 3-19-1, 3-26-4 dan 3-4-1 dari pengujian backproagation dan lavenberg-marquardt menunjukan bahwa proses mempercepat pelatihan data dapat dioptimasi secara signifikan, akan tetapi akurasi belum optimal secara merata.

Keywords


Backpropogation, Optimasi, Lavenberg-Marquardt

Full Text:

PDF

References


Arifin, M. M., Utomo, Y. B., Elektro, T., Teknik, F., Islam, U., & Kediri, K. (2020). Sistem Pakar Untuk Diagnosa Kerusakan Hardware Komputer Menggunakan Jaringan Syaraf Tiruan. 1(1), 75–84.

Khusniyah, T. W. (2016). Prediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation. 3(1), 11–18.

Maimunah, E., & Dilasya, S. (2019). Optimasi Produksi Usahatai Kopi Rakyat Dengan Pola Polikultur (Di Pekon Sukajadi Kecamatan Air Hitam Kabupaten Lampung Barat). Snistek, September, 85–90. http://digilib.unila.ac.id/id/eprint/55895

Mustafidah, H., Rahmadhani, A. Y., & Harjono, H. (2019). Optimasi Algoritma Pelatihan Levenberg–Marquardt Berdasarkan Variasi Nilai Learning-Rate dan Jumlah Neuron dalam Lapisan Tersembunyi (Optimization of Levenberg-Marquardt Training Algorithm Based on the Variations Value of Learning-Rate and the Number of N. JUITA (Jurnal Informatika) UMP, VII(1), 55–62.

Suhendra, C. D., & Saputra, A. C. (2020). PENENTUAN PARAMETER LEARNING RATE SELAMA PEMBELAJARAN JARINGAN SYARAF TIRUAN. 14(2), 202–212.

Vol, V. E., Nopember, N., Lisa, Y., Algoritma, I., Pelatihan, I. A., Khatulistiwa, S. P., Pertamina, J., Vol, V. E., & Nopember, N. (2015). Levenberg Marquardt Dan Regularisasi Bayes Untuk Prediksi Curah Hujan. 6(2), 201–210.

Zulaikha, S., Adria, A., & Rahman, A. (2018). SISTEM OTOMASI LAMPU RUMAH ADAPTIF BERBASIS ARTIFICIAL NEURAL NETWORK. 3(2), 68–75.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Azhar Fadilah Zuhri, Agus Perdana Windarto, Iin Parlina, M. Safii, Sundari Retno Andani

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.