PERBANDINGAN ALGORITMA BACKPROPAGATION LEVENBERG MARQUARDT (LM) DENGAN BACKPROPAGATION GRADIENT DESCENT ADAPTIVE GAIN (BPGD/AG) DALAM PREDIKSI JUMLAH PENGANGGURAN DI PROVINSI JAWA TENGAH

Retnani, Wina Isti (2013) PERBANDINGAN ALGORITMA BACKPROPAGATION LEVENBERG MARQUARDT (LM) DENGAN BACKPROPAGATION GRADIENT DESCENT ADAPTIVE GAIN (BPGD/AG) DALAM PREDIKSI JUMLAH PENGANGGURAN DI PROVINSI JAWA TENGAH. Other thesis, Universitas Sebelas Maret.

[img]
Preview
PDF - Published Version
Download (515Kb) | Preview

    Abstract

    ABSTRACT The Backpropagation algorithm is an Artificial Neural Network (ANN) training algorithm are often used to make predictions on a case. LM and BPGD/AG algorithms is developing algorithms of backpropagation that make improvements to speed up the training process. LM algorithm makes improvements with numerical optimization techniques, while the algorithms BPGD/AG makes the improvement with the heuristic technique which was developed from an analysis of the performance of the gradient descent standars algorithm. A comparison both algorithms are needed to find a better algorithm to make prediction. So the algorithm is expected to provide the accurate result. Comparative analysis based on the speed of convergence by considering the number of epoch required to achieve convergence while training, and based accuracy of testing result by calculating MAPE and NMSE value for unemployment prediction cases in Central Java. The result of test shows that the LM algorithm achieves the MSE convergences with fewer number of iterations than the BPGD/AG algorithm. As for the accuracy, LM algorithm has better accuracy than the BPGD/AG algorithm. The unemployment prediction by the LM algorithm with value of factor beta value 10 provides an average of MAPE is 7.5% and the average of NMSE is 0.16453. While the unemployment prediction by the BPGD/AG algorithm with value of learning rate 0.001 provides an average of MAPE is 7.6% and the average of NMSE is 0.174264. Keywords: Backpropagation, BPGD/AG, LM, Unemployment Prediction ABSTRAK Algoritma Backpropagation merupakan algoritma Jaringan Syaraf Tiruan (JST) yang sering digunakan dalam melakukan prediksi terhadap suatu kasus. Algoritma LM dan BPGD/AG merupakan algoritma pengembangan backpropagation yang melakukan perbaikan untuk mempercepat proses pelatihan. Algoritma LM melakukan perbaikan dengan teknik optimasi numerik, sedangkan algoritma BPGD/AG melakukan perbaikan dengan teknik heuristik yang merupakan pengembangan dari suatu analisis kinerja pada algoritma gradient descent standard. Adanya perbandingan kedua algoritma tersebut perlu dilakukan untuk mencari algoritma yang lebih baik dalam melakukan prediksi. Sehingga algoritma tersebut diharapkan dapat memberikan hasil yang akurat. Analisa perbandingan berdasarkan kecepatan konvergensi dengan tolok ukur jumlah iterasi yang dibutuhkan saat training untuk konvergen, serta berdasarkan tingkat akurasi dengan tolok ukur nilai MAPE dan NMSE untuk kasus prediksi pengangguran di Jawa Tengah. Hasil pengujian menunjukkan bahwa algoritma LM mampu mencapai MSE yang konvergen dengan jumlah iterasi yang lebih sedikit dibanding algoritma BPGD/AG. Sedangkan untuk akurasi, algoritma LM memiliki akurasi yang lebih baik dibanding algoritma BPGD/AG. Prediksi jumlah pengangguran dengan algoritma LM dengan nilai faktor beta 10 menghasilkan nilai rata-rata MAPE sebesar 7.5% dan nilai rata-rata NMSE sebesar 0.164535. Sedangkan prediksi jumlah pengangguran dengan algoritma BPGD/AG dengan nilai learning rate 0.001 menghasilkan nilai rata-rata MAPE sebesar 7.6% dan nilai rata-rata NMSE sebesar 0.174264. Kata Kunci : Backpropagation, BPGD/AG, LM, Prediksi Pengangguran

    Item Type: Thesis (Other)
    Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
    Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam > Informatika
    Depositing User: Nur Anisah
    Date Deposited: 19 Apr 2014 17:34
    Last Modified: 19 Apr 2014 17:34
    URI: https://eprints.uns.ac.id/id/eprint/12309

    Actions (login required)

    View Item