OPTIMASI BOBOT DAN BIAS AWAL PADA ARSITEKTUR BACKPROPAGATION NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA

Abstrak / Ringkasan

MISRATUL IFFA (2022) : OPTIMASI BOBOT DAN BIAS AWAL PADA ARSITEKTUR BACKPROPAGATION NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA


Kelemahan pada Algoritma Backpropagation Neural Network (BPNN) yaitu cenderung lama dalam
mencapai konvergen untuk mendapatkan tingkat akurasi yang optimum. Hal ini disebabkan karena
resiko terjebaknya Jaringan Syaraf Tiruan (JST) pada lokal minimum. Kelemahan lainnya juga
dipengaruhi oleh bobot awal dan bias awal yang dipilih secara acak. Sehingga tujuan pada penelitian
ini untuk meningkatkan proses pembelajaran prediksi dan mengetahui ketepatan prediksi yang
dilakukan menggunakan Optimasi Backpropagation Neural Network dengan Algoritma Genetika.
Hasil dari penelitian ini dengan menggunakan data Jumlah Tingkat Pengangguran Terbuka (TPT)
di Provinsi Riau dan data Jumlah Kemiskinan pada Kab/Kota di Indonesia memperoleh hasil bahwa
penggunaan optimasi Algoritma Genetika menghasilkan nilai MSE terbaik dibandingkan tanpa
menggunakan optimasi. Hasil pada data TPT di Provinsi Riau memperoleh hasil MSE 0,03565
sehingga memperoleh individu terbaik dengan parameter Learning Rate 0,2, Populasi 100, Generasi
20, Iterasi 150, Crossover Rate 0,2 dan Mutation Rate 0,8, sedangkan untuk data Kemiskinan pada
Kab/Kota di Indonesia memperoleh hasil MSE 0,00817 sehingga dapat menghasilkan individu
terbaik dengan parameter Learning Rate 0,1, Populasi 150, Generasi 20, Iterasi 500, Crossover Rate
0,8 dan Mutation Rate 0,2.
Kata Kunci: Algoritma Genetika, Backpropagation Neural Network, Jaringan Syaraf Tiruan,
Optimasi

Topik Terkait

Sitasi