scholarly journals Peramalan Harga Telur Ayam Ras Di Jakarta Timur Berbasis Jaringan Syaraf Tiruan

2020 ◽  
Vol 5 (1) ◽  
pp. 65
Author(s):  
Nurfia Oktaviani Syamsiah
Keyword(s):  
Neural Network ◽  
Time Series ◽  
Learning Rate ◽  
Training Cycle ◽  
Hidden Node ◽  
Hidden Layer

Penelitian ini membahas tentang pemanfaatan jaringan syaraf tiruan untuk peramalan harga telur ayam ras di Jakarta Timur. Data harga yang digunakan adalah data time series harian.  Metode yang dipilih adalah Jaringan syaraf tiruan dengna 2 fungsi aktivasi, yakni sigmoid biner dan sigmoid bipolar dengan memanfaatkan Tools Rapidminer Studio mulai dari tahapan pertama hingga tahapan akhir. Eksperimen dilakukan dengan melakukan perubahan pada beberapa parameter neural network seperti jumlah hidden node, training cycle, learning rate maupun jumlah momentum. Penentuan hidden layer diupayakan semaksimal mungkin bertujuan untuk menghindari terjadinya permasalahan Overfitting dan Underfitting. Hasil yang dicapai, bahwasanya RMSE terkecil diperoleh dari penggunaan fungsi aktivasi sigmoid biner dengan nilai 0.033. dan arsitektur terbaik yakni 7 input, 2 hidden node dan 1 output. Penelitian ini menunjukkan hasil bahwa jaringan syaraf tiruan memberikan hasil yang cukup baik bagi peramalan data harga telur ayam ras di Jakarta Timur yang datanya bersifat time series univariat.Kata kunci: Jaringan Syaraf Tiruan, Telur, Harga, Peramalan

scholarly journals MODEL PREDIKSI RENTET WAKTU NEURAL NETWORK BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI HARGA SAHAM

Telematika ◽  
2017 ◽  
Vol 14 (2) ◽  
Author(s):  
Andri Pramuntadi
Keyword(s):  
Neural Network ◽  
Particle Swarm Optimization ◽  
Particle Swarm ◽  
Learning Rate ◽  
Swarm Optimization ◽  
Training Cycle ◽  
Hidden Layer

Penelitian ini dimulai dari sulitnaya para pialang saham untuk memprediksi stok harga saham. Stok merupakan indikator tren pasar, profitabilitas, benchmark benchmark kerja, serta penentuan strategi pasif dan produk derivatif. Informasi penjualan data saham lama sangat membantu dalam prediksi, semakin besar data dari masa lalu semakin besar ketepatan yang didapat. Namun, ukuran data juga mempengaruhi kinerja algoritma yang digunakan. Yang dilakukan dalam penelitian ini bagaimana Neural Network (NN) dengan Particle Swarm Optimization (PSO) yang digunakan untuk melakukan pemilihan fitur dataset saham yang digunakan. Eksperimen yang dilakukan pada percobaan pertama dilakukan dataset pelatihan dengan NN, dan pada percobaan kedua dengan dataset pelatihan akan dibuat PSO-NN untuk pemilihan fitur. Hasil atribut bobot PSO-NN dalam bentuk dataset, atribut dengan bobot tertinggi adalah atribut yang paling berpengaruh dalam latihan. Dataset baru dengan seleksi fitur kemudian melakukan latihan lagi. Dengan menggunakan NN, hasil percobaan yang dilakukan training cycle Neural Network  500, 3 Hidden layer, Momentum 0 dan Learning rate 0,2 mendapatkan 0,466 rmse. Sedangkan hasil percobaan NN dengan seleksi fitur PSO atau PSO-NN 0,373 rmse mendapatkan hasil. Penelitian yang berbasis PSO-NN ini mampu memprediksi secara lebih akurat.

scholarly journals Comparison of Feedforward and Recurrent Neural Network in Forecasting Chaotic Dynamical System

2019 ◽  
Vol 10 (37) ◽  
pp. 31-44
Author(s):  
Engin Kandıran ◽  
Avadis Hacınlıyan
Keyword(s):  
Neural Network ◽  
Dynamical System ◽  
Time Series ◽  
Function Approximation ◽  
Feedforward Neural Network ◽  
Network Architectures ◽  
Chaotic Dynamical System ◽  
Global Function ◽  
The Neural Network ◽  
Hidden Layer

Artificial neural networks are commonly accepted as a very successful tool for global function approximation. Because of this reason, they are considered as a good approach to forecasting chaotic time series in many studies. For a given time series, the Lyapunov exponent is a good parameter to characterize the series as chaotic or not. In this study, we use three different neural network architectures to test capabilities of the neural network in forecasting time series generated from different dynamical systems. In addition to forecasting time series, using the feedforward neural network with single hidden layer, Lyapunov exponents of the studied systems are forecasted.

scholarly journals Analisis Pengenalan Bendera Negara Rumpun Melayu Menggunakan Metode Feed Forward Neural Network

2020 ◽  
Vol 10 (2) ◽  
pp. 144-152
Author(s):  
H Santoso ◽  
D Murdianto
Keyword(s):  
Neural Network ◽  
Artificial Intelligence ◽  
Learning Rate ◽  
Feed Forward Neural Network ◽  
Feed Forward ◽  
Brunei Darussalam ◽  
Hidden Layer

Telah dilakukan analisis pada sistem pengenalan gambar empat buah bendera negara rumpun melayu secara digital. Negara tersebut adalah Indonesia, Malaysia, Singapura, dan Brunei Darussalam. Tujuan dari penelitian ini adalah sebagai bentuk langkah awal dalam melatih sistem Artificial Intelligence (Kecerdasan Buatan) dalam membedakan empat buah negara rumpun melayu berdasarkan warna dan motif bendera pada sebuah peta digital. Proses analisis dan pelatihan pengenalan bendera tersebut menggunakan metode Feed Forward Neural Network (FFNN). Hasilnya menunjukkan bahwa penggunaan 4 buah Hidden Layer, serta penggunaan Learning Rate 0,5 memberikan kemampuan pengenalan citra bendera secara tepat dengan persentase akurasi rata-rata mencapai 74,15%.

scholarly journals Artificial Neural Network dalam Menentukan Grading Histopatologi Kanker Payudara

2017 ◽  
Vol 19 (2) ◽  
pp. 176
Author(s):  
Agoes Santika Hyperastuty
Keyword(s):  
Breast Cancer ◽  
Neural Network ◽  
Artificial Neural Network ◽  
Learning Rate ◽  
Gray Level ◽  
Artificial Neural ◽  
Hidden Layer

Abstrak Kanker payudara adalah jenis tumor ganas utama yang diamati pada wanita dan pengobatan yang efektif tergantung pada diagnosis awalnya. Standar emas pemeriksaan kanker payudara adalah pemeriksaan histopatologis sel kanker. Penentuan kadar pada kanker payudara ditentukan oleh tiga faktor: pleomorfik, pembentukan tubular dan mitosis sel. Dalam tulisan ini mengacu pada formasi pleumorfic dan tubular oleh gambar histopatologi sel payudara. Sistem yang diusulkan terdiri dari empat langkah utama: preprocessing, segmentation, ekstrasi fitur dan identifikasi. Pada proses segmentasi  menggunakan metode K-Means Clustering yaitu mengelompokkan data menurut kesamaan warna dan bentuk. Hasil dari K-Means tersebut berupa matrik.  Ekstraksi fitur menggunakan Gray level Cooccurence Matrix (GLCM) yaitu  tingkat keabuan masing-masing citra yang dilihat dari  4 fiturnya adalah kontras, energi, entropi dan homogenitas. Langkah terakhir adalah identifikasi menggunakan Backpropagation. Beberapa parameter penting akan divariasikan dalam proses ini seperti learning rate dan jumlah node pada hidden layer. Hasil penelitian menunjukkan bahwa fitur ekstraksi dalam 4 fitur adalah akurasi terbaik berdasarkan kelas 81,1% dan khususnya ketepatannya adalah 80%.Kata kunci—Histopatologic breast cancer, kmeans, GLCM, Backpropagation

scholarly journals Analisis Sentimen Twitter untuk Menilai Opini Terhadap Perusahaan Publik Menggunakan Algoritma Deep Neural Network

2021 ◽  
Vol 7 (2) ◽  
pp. 108-118
Author(s):  
Erwin Yudi Hidayat ◽  
Raindy Wicaksana Hardiansyah ◽  
Affandy Affandy
Keyword(s):  
Neural Network ◽  
Deep Neural Network ◽  
Application Programming Interface ◽  
Learning Rate ◽  
Application Programming ◽  
Hidden Layer ◽  
Programming Interface

Dalam menaikkan kinerja serta mengevaluasi kualitas, perusahaan publik membutuhkan feedback dari masyarakat / konsumen yang bisa didapat melalui media sosial. Sebagai pengguna media sosial Twitter terbesar ketiga di dunia, tweet yang beredar di Indonesia memiliki potensi meningkatkan reputasi dan citra perusahaan. Dengan memanfaatkan algoritma Deep Neural Network (DNN), neural network yang tersusun dari layer yang jumlahnya lebih dari satu, didapati hasil analisa sentimen pada Twitter berbahasa Indonesia menjadi lebih baik dibanding dengan metode lainnya. Penelitian ini menganalisa sentimen melalui tweet dari masyarakat Indonesia terhadap sejumlah perusahaan publik dengan menggunakan DNN. Data Tweet sebanyak 5504 record didapat dengan melakukan crawling melalui Application Programming Interface (API) Twitter yang selanjutnya dilakukan preprocessing (cleansing, case folding, formalisasi, stemming, dan tokenisasi). Proses labeling dilakukan untuk 3902 record dengan memanfaatkan aplikasi Sentiment Strength Detection. Tahap pelatihan model dilakukan menggunakan algoritma DNN dengan variasi jumlah hidden layer, susunan node, dan nilai learning rate. Eksperimen dengan proporsi data training dan testing sebesar 90:10 memberikan hasil performa terbaik. Model tersusun dengan 3 hidden layer dengan susunan node tiap layer pada model tersebut yaitu 128, 256, 128 node dan menggunakan learning rate sebesar 0.005, model mampu menghasilkan nilai akurasi mencapai 88.72%. 

scholarly journals Pemetaan Promosi dalam Penjaringan Calon Mahasiswa Menggunakan Algoritma Backpropagation

2020 ◽  
Vol 2 (1) ◽  
pp. 21-26
Author(s):  
Mhd Hary Kurniawan ◽  
Sarjon Defit ◽  
Yuhandri Yunus
Keyword(s):  
Neural Network ◽  
Learning Rate ◽  
Data Accuracy ◽  
Student Data ◽  
Input Layer ◽  
Excellent Method ◽  
Complex Patterns ◽  
Hidden Layer

Promotion requires a large fee if it is not targeted when doing it. Backpropagation is an excellent method of dealing with the problem of recognizing complex patterns. Backprogation neural network each unit in the input layer is connected to each unit in the hidden layer. Student data from 2014 to 2018 is a comparison point. The results of testing of this method are calculations using a sample value of 5 years before using a comparative value of 2014 to 2018 totaling 602 data. This research uses 5-5-1 architecture, epoch 2000 and learning rate so that the data accuracy reaches 71% with an error value of 0.0099. The results of this study are 16 districts that become promotion recommendations. Ordering of forecasting the highest number of students to the smallest number of students, so it can be concluded that this method is very useful in mapping promotions.

scholarly journals Studi prakiraan beban listrik menggunakan metode artificial neural network

TEKNO ◽  
2019 ◽  
Vol 28 (2) ◽  
pp. 116
Author(s):  
Yuan Octavia ◽  
Arif Nur Afandi ◽  
Hari Putranto
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Learning Rate ◽  
Layer 2 ◽  
Artificial Neural ◽  
Artificial Neural Network Ann ◽  
Hidden Layer

Pada penelitian ini, dilakukan prakiraan beban listrik jangka panjang menggunakan metode Artificial Neural Network (ANN) dengan penerapan algoritma backpropagation pada studi kasus distribusi energi listrik Area Mojokerto. Pada penelitian ini digunakan 8 variabel, dimana untuk variabel dependent berupa beban listrik, sedangkan untuk variabel independent digunakan 7 variabel yaitu jumlah penduduk, PDRB, jumlah pelanggan sektor rumah tangga, jumlah pelanggan sektor industri, jumlah pelanggan sektor usaha, jumlah pelanggan sektor sosial, dan susut distribusi. Berdasarkan hasil percobaan beberapa arsitektur ANN, diperoleh hasil MAPE pengujian terbaik sebesar 0.512% yang berarti memiliki tingkat akurasi tinggi. Hal ini berarti metode ANN dengan algoritma backpropagation dapat diterapkan sebagai metode prakiraan beban listrik untuk studi kasus pada distribusi energi listrik Area Mojokerto. Model ANN-backpropagation terbaik pada penelitian ini adalah variasi bobot dan bias awal diatur secara manual dengan modifikasi menggunakan algoritma inisialisasi Nguyen Widrow, jaringan memiliki 2 hidden layer dengan penyusunan 5 neuron pada hidden layer 1 dan 15 neuron pada hidden layer 2, nilai learning rate dan momentum berturut-turut adalah 0.9 dan 0.1. Berdasarkan arsitektur ANN terbaik, prakiraan beban listrik distribusi area Mojokerto pada tahun 2018 sampai dengan 2030 cenderung mengalami kenaikan dari tahun ke tahun, meskipun ada penurunan sebesar 0.157% dari tahun 2027 ke tahun 2028. Hasil prakiraan terendah ada pada tahun 2018 dengan hasil 312.7489 MW dan beban tertinggi ada pada tahun 2030 dengan hasil 383.5597MW. Hasil prakiraan beban listrik Area Mojokerto dari tahun 2018 sampai dengan 2030 mengalami kenaikan sebesar 22.641% dengan kenaikan rata-rata 1.728% per tahunnya

scholarly journals Natural versus Random Proteins: Nouvel Neural Network Approach Based on Time Series Analysis

2019 ◽  
Author(s):  
Alexei Tsygvintsev
Keyword(s):  
Neural Network ◽  
Time Series ◽  
Binary Classification ◽  
Classification Problem ◽  
Network Approach ◽  
Neural Network Approach ◽  
Hydropathy Index ◽  
Binary Classification Problem ◽  
Hidden Layer ◽  
Different Time Scales

AbstractWe study the set of about 35000 primary structures of natural proteins of length more than 360 residues and the same size set generated via partial or total randomization. Associated to every sequence composed of 20 amino acids, a time series is formed from hydropathy values of the first 360 residues. To measure the absolute deviations of hydropathy index on different time scales, the 24-dimensional vector of total log-amplitudes is introduced. We describe then a configuration of the 1-hidden layer neural network which is trained to solve the binary classification problem of natural and random sequences. A satisfactory distinguishing accuracy random/natural of 88% is obtained.

Nonlinear Time Series Prediction Using High Precision Neural Network

2011 ◽  
Vol 48-49 ◽  
pp. 745-748
Author(s):  
Jie Hua Zhou ◽  
Xia Fu Peng ◽  
Li Sang Liu
Keyword(s):  
Neural Network ◽  
Time Series ◽  
Correlation Analysis ◽  
High Precision ◽  
Bp Neural Network ◽  
Prediction Accuracy ◽  
Nonlinear Time Series ◽  
Good Prediction ◽  
Correlation Degree ◽  
Hidden Node

A new type of high precision back propagation (BP) neural network model was proposed and applied to nonlinear time series for improving its prediction accuracy. In order to optimize the neural network structure, it uses the correlation analysis to select the number of input node for BP neural network at first. Second, it uses grey clustering method to select the initial number of hidden node for BP neural network, then using the grey correlation analysis method to analyze the correlation degree between hidden node output and network output and according to the size of correlation degree to delete the redundant hidden nodes. Meanwhile, in order to improve model prediction accuracy, it increases the direct connection between the input layer and output layer. Finally, prediction results show that the proposed model has good prediction capability.

Sign in / Sign up

Export Citation Format

Share Document