Meningkatkan Kinerja Backpropagation Neural Network Menggunakan Algoritma Adaptif

Meningkatkan Kinerja Backpropagation Neural Network Menggunakan Algoritma Adaptif

• By Bohari, Abdul Rahman;
• Jurnal Nasional Tidak Terakreditasi
• 727
• 6

Abstrak  - Aplikasi Jaringan Syaraf Tiruan di berbagai bidang kehidupan manusia semakin luas, khususnya di bidang industri. Salah satu struktur Jaringan Syaraf Tiruan yang cukup sering digunakan adalah Feedforward Neural Network dengan algoritma belajarnya yang cukup dikenal yaitu Backpropagation. Akan tetapi sebagaimana dilaporkan beberapa peniliti, Backpropagation memiliki beberapa kelemahan seperti membutuhkan waktu lama untuk konvergensi dalam proses training, cukup sensitif dengan kondisi awal weight dan relatif sering terjebak pada lokal minima yang bisa menggagalkan proses training. Pada penelitian ini, algoritma Adaptif diusulkan sebagai alternatif algoritma belajar Backpropagation. Algoritma yang diusulakn tersebut memberikan harapan dalam mengatasi kelemahan yang dihadapi oleh Bakpropagation. Sebagaimana dilaporkan pada hasil pengujian, dibandingkan dengan Backpropagation, algoritma Adaptif jauh lebih kuat menghadapi variasi terhadap kondisi awal weight. Dari 100 kali pengujian pada penelitian ini untuk masing-masing Backpropagation dan algoritma Adaptif, dengan variasi random untuk nilai awal weight, tingkat keberhasilan proses training algoritma Adaptif mencapai 100% dibandingkan Backpropagation yang berada di level 77%. Dari sisi kecepatan, pada penelitian ini algoritma Adaptif berhasil melakukan proses training dengan jumlah rata-rata iterasi sebanyak 37 kali dibandingkan dengan Backpropagation yang membutuhkan rata-rata 162 kali iterasi.

• Katakunci Feedforward Neural Network, Backpropagation, Algoritma Adaptif
• URL http://jurnal.bsi.ac.id/index.php/imtechno/article/view/1043/661
• Penerbit ,

REFERENSI

REFERENSI

Abdul Hamid, N., Mohd Nawi, N., Ghazali, R., & Mohd Salleh, M. N. (2012). A review on improvement of back propagation algorithm. Global Journal on Technology, 1.  http://archives.un-pub.eu/index.php/PITCS/article/viewFile/742/1024

Cilimkovic, M. (2015). Neural networks and back propagation algorithm. Institute of Technology Blanchardstown, Blanchardstown Road North Dublin, 15(1). 

Dasuki, M. (2021). Optimasi Nilai Bobot Algoritma Backpropagation Neural Network Dengan Algoritma Genetika. JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia), 6(1),38-44.  http://jurnal.unmuhjember.ac.id/index.php/JUSTINDO/article/download/5280/3297

Ismail, M. I. S., Okamoto, Y., & Okada, A. (2013). Neural Network Modeling for prediction of Weld Bead Geometry in Laser Microwelding. Advances in Optical Technologies. https://downloads.hindawi.com/archive/2013/415837.pdf

Karayiannis, N.B., Venetsopouloos, A.N. (1992). Artifial Neural Networks. Kluwer Academic Publisher.

Lee, Charles W., (1997). Training Feedforward Neural Networks: An Algorithm Giving Improved Generalization.” Neural Network 10 (1): 61–68.  https://doi.org/10.1016/S08936080(96)000718

Ma, J., Zhu, S. G., Wu, C. X., & Zhang, M. L. (2009). Application of back-propagation neural network technique to high-energy planetary ball milling process for synthesizing nanocomposite WC–MgO powders. Materials & Design, 30(8), 2867-2874.

Ray, S. (2019, February). A quick review of machine learning algorithms. In 2019 International conference on machine learning, big data, cloud and parallel computing(COMITCon)  (pp. 35-39). IEEE.https://translateyar.ir/wpcontent/uploads/2021/12/A-Quick-Review-ofMachine.pdf

Siregar, Muhammad Noor Hasan, (2017). Neural Network Analysis With Backpropogation In Predicting Human Development Index (HDI) Component by Regency/City In North Sumatera.” IJISTECH (International Journal Of Information System & Technology) 1 (1): 22. https://doi.org/10.30645/ijistech.v1i1.3

Wang, H. S. (2007). Application of BPN with feature-based models on cost estimation of plastic injection products. Computers & Industrial Engineering, 53(1), 79-94.