Analisis Penurunan Gradien dengan Kombinasi Fungsi Aktivasi pada Algoritma JST untuk Pencarian Akurasi Terbaik

UNSPECIFIED Analisis Penurunan Gradien dengan Kombinasi Fungsi Aktivasi pada Algoritma JST untuk Pencarian Akurasi Terbaik.

Preview

Text Analisis Penurunan Gradien dengan Kombinasi Fungsi Aktivasi.pdf Download (507kB) | Preview

Abstract

Banyak sekali metode fungsi training penurunan gradient (gradient descent) dan fungsi aktivasi (fungsi transfer) yang bisa digunakan pada algoritma JST khususnya algoritma backpropagation. Oleh karena itu tujuan dari makalah ini adalah untuk menganalisa gradient descent yang terbaik yang dapat dijadikan rujukan untuk digunakan pada algoritma JST, khususnya algoritma backpropagation dalam masalah prediksi data, klasifikasi maupun pengenola pola. Metode gradient descent yang akan dianalisa diantaranya: Gradient descent backpropagation (traingd), Gradient descent with momentum backpropagation (traingdm), Gradient descent with adaptive learning rate backpropagation (traingda), dan Gradient descent with momentum and adaptive learning rate backpropagation (traingdx). Fungsi training akan dikombinasikan dengan fungsi aktivasi (fungsi transfer) sigmoid bipolar (tansig), transfer linier (purelin) dan sigmoid biner (logsig). Data sampel yang digunakan untuk proses analisa adalah data times-series Indeks Pembangunan Manusia di Indonesia yang diperoleh dari Badan Pusat Statistik (BPS). Model arsitektur yang digunakan untuk analisa gradient descent diantaranya: 6-10-15-1, 6-15- 20-1, 6-20-25-1 dan 6-25-30-1. Berdasarkan hasil analisa, fungsi training terbaik adalah traingda dengan model arsitektur 6-15-20-1 yang menghasilkan tingkat akurasi 91% dan MSE Testing 0,000731529 (lebih kecil dibandingkan metode lainnya). Kata Kunci: Penurunan Gradien, Fungsi Aktivasi, JST, Backpropagation, Akurasi

Actions (login required)

View Item