Optimasi Data Menggunakan Teknik Backpropagation dalam Meningkatkan Hasil Nilai Akurasi

Abstract

Arficial Neural Network (ANN) merupakan salah satu rumpun ilmu computer yang mengarah pada kecerdasan buatan, ada beberapa metode pada ANN salah satunya adalah metode backpropagation. Metode ini digunakan dalam proses prediksi data, Dalam beberapa kasus metode backpropagation dapat membantu dalam memecahkan masalah khusunya prediksi. Akan tetapi metode backpropagation memiliki beberapa kelemahan. Hasil yang diperoleh metode backpropagation sangat terpengaruh terhadap penentuan parameter sehingga konvergensi menjadi sangat lambat. Maka diperlukan sebuah metode optimasi untuk mengoptimalkan kinerja dari metode bakpropagation. pengolahan data dengan menormalisasi data mentah sesudah data dibagi menjadi data training dan data testing merupakan salah satu solusinya, pengolahan data mentah dengan menormalisasi sesudah data dibagi menjadi data training dan data testing dapat mengubah bobot dan bias jaringan dengan proses adaptasi langsung pembobotan berdasarkan informasi gradien lokal dari iterasi pembelajaran 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(data mentah di normalisasi sesudah di bagi menjadi data training dan data testing) dan backproagation(data mentah di normalisasi sebelum di bagi menjadi data training dan data testing) menunjukan bahwa proses pelatihan data dapat dioptimasi secara signifikan, akan tetapi akurasi belum optimal secara merata.