Analisis Penambahan Nilai Momentum Pada Prediksi Produktivitas Kelapa Sawit Menggunakan Backpropagation Neural Network
Abstrak
Algoritma backpropagation merupakan multi layer perceptron yang banyak digunakan
untuk menyelesaikan persoalan yang luas, namun algoritma backpropagation juga
mempunyai keterbatasan yaitu laju konvergensi yang cukup lambat. Pada penelitian
ini penulis menambahkan parameter learning rate secara adaptif pada setiap iterasi
dan koefisien momentum untuk menghitung proses perubahan bobot. Dari hasil
simulasi komputer maka diperoleh perbandingan antara algoritma backpropagation
standar dengan backpropagation dengan penambahan momentum. Untuk algoritma
backpropagation standar kecepatan konvergensi 727 epoch dengan nilai MSE 0,01,
sedangkan algoritma backpropagation standar mencapai 4000 epoch dengan nilai
MSE 0,001. . Hal ini menunjukkan bahwa algoritma backpropagation adaptive
learning lebih cepat mencapai konvergensi daripada algoritma backpropagation
standar.
Kata kunci :Backpropagation, Adaptive learning rate, momentum, konvergensi
Universitas Sumatera Utara
Abstract
Backpropagation algorithm is a multi- layer perceptron that is widely used to solve
problems that are spacious, but also have limitations backpropagation algorithm is
fairly slow convergence rate . In this study, the authors add in an adaptive learning
rate parameter at each iteration and momentum coefficient to calculate the weight of
the change process . From the results of the computer simulations for the comparison
between the standard back propagation algorithm with propagation with additional
momentum. For standard backpropagation algorithm convergence speed of 727 epoch
with MSE value of 0.01 , while the standard back propagation algorithm reaches 4000
epoch with MSE value of 0.001 . , This shows that adaptive learning backpropagation
algorithm more quickly achieve convergence than the standard back propagation
algorithm.
Kata kunci :Backpropagation, Adaptive learning rate, momentum, konvergensi
Universitas Sumatera Utara
Algoritma backpropagation merupakan multi layer perceptron yang banyak digunakan
untuk menyelesaikan persoalan yang luas, namun algoritma backpropagation juga
mempunyai keterbatasan yaitu laju konvergensi yang cukup lambat. Pada penelitian
ini penulis menambahkan parameter learning rate secara adaptif pada setiap iterasi
dan koefisien momentum untuk menghitung proses perubahan bobot. Dari hasil
simulasi komputer maka diperoleh perbandingan antara algoritma backpropagation
standar dengan backpropagation dengan penambahan momentum. Untuk algoritma
backpropagation standar kecepatan konvergensi 727 epoch dengan nilai MSE 0,01,
sedangkan algoritma backpropagation standar mencapai 4000 epoch dengan nilai
MSE 0,001. . Hal ini menunjukkan bahwa algoritma backpropagation adaptive
learning lebih cepat mencapai konvergensi daripada algoritma backpropagation
standar.
Kata kunci :Backpropagation, Adaptive learning rate, momentum, konvergensi
Universitas Sumatera Utara
Abstract
Backpropagation algorithm is a multi- layer perceptron that is widely used to solve
problems that are spacious, but also have limitations backpropagation algorithm is
fairly slow convergence rate . In this study, the authors add in an adaptive learning
rate parameter at each iteration and momentum coefficient to calculate the weight of
the change process . From the results of the computer simulations for the comparison
between the standard back propagation algorithm with propagation with additional
momentum. For standard backpropagation algorithm convergence speed of 727 epoch
with MSE value of 0.01 , while the standard back propagation algorithm reaches 4000
epoch with MSE value of 0.001 . , This shows that adaptive learning backpropagation
algorithm more quickly achieve convergence than the standard back propagation
algorithm.
Kata kunci :Backpropagation, Adaptive learning rate, momentum, konvergensi
Universitas Sumatera Utara