Optimasi Prediksi Dengan Algoritma Backpropagation Dan Conjugate Gradient Beale-Powell Restarts

Authors

DOI:

https://doi.org/10.25077/TEKNOSI.v3i3.2017.370-380

Keywords:

Optimization, Prediction, Backpropagation, Beale-Powell Restarts

Abstract

Optimization of a prediction (forecasting) is very important to do so that the predicted results obtained to be better and quality. In this study, the authors optimize previous research that has been done by the author using backpropagation algorithm. The optimization process will use Conjugate Gradient Beale-Powell Restarts. Data to be predicted is Consumer Price Index data based on health group from Medan Central Bureau of Statistics from 2014 until 2016. Previous research using 8 architectural models, namely: 12-5-1, 12-26-1, 12-29 -1, 12-35-1, 12-40-1, 12-60-1, 12-70-1 and 12-75-1 with best architectural models 12-70-1 with an accuracy of 92%. In contrast to previous research concentrating on finding accuracy using backpropagation, this study will optimize the backpropagation with Conjugate Gradient Beale-Powell Restart, which not only focuses on accuracy but also the convergence of the two algorithms and the translation of predicted results, which is not done in a previous study. This research will use the same architectural model as the previous research and will get the result with the accuracy of 92% with the best architectural model that is 12-70-1 (same as previous research). Thus, this model is good enough for prediction even with different algorithms, since the accuracy of converging backpropagation with Conjugate Gradient Beale-Powell Restarts.

References

L. Handayani and M. Adri, “Penerapan JST ( Backpropagation ) untuk Prediksi Curah Hujan ( Studi Kasus : Kota Pekanbaru ),†Seminar Nasional Teknologi Informasi, Komunikasi dan Industri (SNTIKI) 7, no. November, pp. 238–247, 2015. R. Hrasko, A. G. C. Pacheco, and R. A. Krohling, “Time Series Prediction Using Restricted Boltzmann Machines and Backpropagation,†Procedia Computer Science, vol. 55, no. Itqm, pp. 990–999, 2015. A. Wanto and A. P. Windarto, “Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation,†Sinkron Jurnal & Penelitian Teknik Informatika, vol. 2, pp. 37–43, 2017. R. Y. Fa’rifah and Z. Busrah, “Backpropagation Neural Network Untuk Optimasi Akurasi Pada Prediksi Financial Distress Perusahaan,†Jurnal INSTEK, vol. 2, no. April, pp. 101–110, 2017. I. Muzakkir, A. Syukur, and I. N. Dewi, “Backpropagation Dengan Seleksi Fitur Particle Swarm Optimization Dalam Prediksi Pelanggan Telekomunikasi,†Jurnal Pseudocode, vol. 1, pp. 1–10, 2014. N. Aditiarini, “Metode Gradien Konjugat Dalam Menyelesaikan Masalah Optimasi Menggunakan Aplikasi Android,†Skripsi , Institut Pertanian Bogor, 2017. K. S. Madhavan, “Knowledge Based Prediction through Artificial Neural Networks and Evolutionary Strategy for Power Plant Applications,†Journal of Scientific and Engineering Research, vol. 4, no. 9, pp. 371–376, 2017. A. Wanto, M. Zarlis, Sawaluddin, D. Hartama, J. T. Hardinata, and H. F. Silaban, “Analysis of Artificial Neural Network Backpropagation Using Conjugate Gradient Fletcher Reeves In The Predicting Process,†International Conference on Information and Communication Technology (IconICT), pp. 1–7, 2017. M. S. Frits Fahridws Damanik, SST and S. Magdalena Sinaga, “Analisis Indeks Harga Konsumen (IHK) Kota Pematangsiantar,†Sensus Ekonomi, 2014. A. Wanto, “Analisis Jaringan Saraf Tiruan Backpropagation Menggunakan Conjugate Gradient Fletcher Reeves Dalam Proses Memprediksi,†Tesis, Universitas Sumatera Utara, 2017. E. P. Cynthia and E. Ismanto, “Jaringan Syaraf Tiruan Algoritma Backpropagation Dalam Memprediksi Ketersediaan Komoditi Pangan Provinsi Riau,†Seminar Nasional Teknologi Informasi, Komunikasi dan Industri (SNTIKI) 9, pp. 18–19, 2017. H. Y. Sari, “Optimasi Conjugate Gradient Pada Algoritma Backpropagation Neural Network Untuk Prediksi Kurs Time Series,†Jurnal Gema Aktualita, vol. 5, no. 1, pp. 86–90, 2016. I. G. P. Arka, “Kajian Analisis Perfomansi Sistem Fire Alarm Dengan Mode Addresable dan Non Addresable Menggunakan Algoritma Genetika,†Jurnal Matrix, vol. 4, no. 1, pp. 33–34, 2014. M. R. Lubis, “Metode Hybrid Particle Swarm Optimization - Neural Network Backpropagation Untuk Prediksi Hasil Pertandingan Sepak Bola,†Jurnal Sains Komputer & Informatika (J-SAKTI), no. 1, pp. 71–83, 2017. S. Mirjalili, P. Jangir, S. Z. Mirjalili, S. Saremi, and I. N. Trivedi, “Optimization of problems with multiple objectives using the multi-verse optimization algorithm,†Knowledge-Based Systems, 2017. A. Ehret, D. Hochstuhl, D. Gianola, and G. Thaller, “Application of neural networks with back-propagation to genome-enabled prediction of complex traits in Holstein-Friesian and German Fleckvieh cattle,†Genetics Selection Evolution, vol. 47, no. 1, p. 22, 2015. R. Olawoyin, “Application of backpropagation artificial neural network prediction model for the PAH bioremediation of polluted soil,†Jurnal Chemosphere, vol. 161, pp. 145–150, 2016. D. Huang and Z. Wu, “Forecasting outpatient visits using empirical mode decomposition coupled with backpropagation artificial neural networks optimized by particle swarm optimization,†PLoS ONE, vol. 12, no. 2, pp. 1–18, 2017. P. Witoonchart and P. Chongstitvatana, “Structured SVM Backpropagation To Convolutional Neural Network Applying To Human Pose Estimation,†Journal of LATEX, vol. 92, pp. 39–46, 2017. B. Keshtegar, “Limited conjugate gradient method for structural reliability analysis,†Engineering with Computers, vol. 33, no. 3, 2017. Y. Sari, F. D. Marleny, R. Ansari, M. Izzana, A. P. Ricardus, and B. Lareno, “Optimasi Conjugate Gradient Pada Backpropagation Neural Network untuk Deteksi Kualitas Daun Tembakau,†Konferensi Nasional Sistem & Informatika, pp. 9–10, 2015. U. N. Wisesty, I. Parwati, and Adiwijaya, “Deteksi Anomali pada Intrusion Detection System (IDS) Menggunakan Algoritma Backpropagation Termodifikasi Conjugate Gradient Polak Ribiere,†Indosc 2016, no. August, pp. 165–176, 2016. A. Wanto, A. P. Windarto, D. Hartama, and I. Parlina, “Use of Binary Sigmoid Function And Linear Identity In Artificial Neural Networks For Forecasting Population Density,†International Journal Of Information System & Technology (IJISTECH), vol. 1, no. 1, pp. 43–54, 2017.

Downloads

Submitted

2017-10-27

Accepted

2018-01-04

Published

2018-01-04

How to Cite

[1]
A. Wanto, “Optimasi Prediksi Dengan Algoritma Backpropagation Dan Conjugate Gradient Beale-Powell Restarts”, TEKNOSI, vol. 3, no. 3, pp. 370–380, Jan. 2018.

Issue

Vol. 3 No. 3 (2017): Desember 2017

Section

Articles

License

Hak cipta untuk artikel ini ditransfer ke Jurnal Nasional Teknologi dan Sistem Informasi (TEKNOSI) jika dan ketika artikel diterima untuk publikasi. Yang bertanda tangan di bawah ini dengan ini mentransfer setiap dan semua hak di dalam dan ke kertas termasuk tanpa batasan semua hak cipta untuk TEKNOSI. Yang bertanda tangan di bawah ini dengan ini menyatakan dan menjamin bahwa makalah tersebut asli dan bahwa ia adalah pembuat makalah, kecuali untuk bahan yang secara jelas diidentifikasi sebagai sumber aslinya, dengan pemberitahuan izin dari pemilik hak cipta jika diperlukan. Yang bertanda tangan di bawah ini menyatakan bahwa ia memiliki kekuatan dan wewenang untuk membuat dan melaksanakan penugasan ini.

Kami menyatakan bahwa:

  1. Makalah ini belum diterbitkan dalam bentuk yang sama di tempat lain.
  2. Makalah ini tidak akan dikirimkan di tempat lain untuk publikasi sebelum penerimaan/penolakan oleh Jurnal ini
  3. Izin hak cipta diperoleh untuk materi yang diterbitkan di tempat lain dan yang memerlukan izin ini untuk reproduksi.

 Selanjutnya, Saya/kami dengan ini mentransfer hak publikasi yang tidak terbatas dari makalah yang disebutkan di atas secara keseluruhan kepada TEKNOSI. Transfer hak cipta mencakup hak untuk mereproduksi dan mendistribusikan artikel, termasuk cetak ulang, terjemahan, reproduksi foto, mikroform, bentuk elektronik (offline, online) atau reproduksi lain yang serupa.

Penulis yang sesuai menandatangani dan menerima tanggung jawab untuk merilis materi ini atas nama setiap dan semua penulis bersama. Perjanjian ini harus ditandatangani oleh setidaknya salah satu penulis yang telah memperoleh persetujuan dari rekan penulis jika berlaku. Setelah pengajuan perjanjian ini ditandatangani oleh penulis yang sesuai, perubahan kepengarangan atau dalam urutan penulis yang tercantum tidak akan diterima.

Hak / Syarat dan Ketentuan yang dipertahankan :

  1. Penulis memiliki semua hak kepemilikan dalam setiap proses, prosedur, atau artikel manufaktur yang dijelaskan dalam Karya ini.
  2. Penulis dapat mereproduksi atau mengotorisasi orang lain untuk mereproduksi karya  ini atau karya turunannya untuk penggunaan pribadi penulis atau untuk penggunaan perusahaan, dengan ketentuan bahwa sumber dan menyatakan hak cipta dimiliki TEKNOSI, salinan tidak digunakan dengan cara apa pun yang menyiratkan pengesahan TEKNOSI atas suatu produk atau layanan dari pihak mana pun, dan salinannya sendiri tidak ditawarkan untuk dijual.
  3. Meskipun penulis diizinkan untuk menggunakan kembali semua atau sebagian dari karya ini dalam karya lain, ini tidak termasuk mengabulkan permintaan pihak ketiga untuk mencetak ulang, menerbitkan ulang, atau jenis penggunaan ulang lainnya.